使用蘭鏈建立基於抹布的查詢分辨率系統

本文詳細介紹了使用Langchain，Chromadb和Crewai構建一個檢索型的生成（RAG）系統，以進行有效的查詢分辨率。手動處理現代企業面臨的大量查詢的效率低下。該AI驅動的解決方案提供了快速，準確和可擴展的響應。

目錄

• 為什麼要使用AI驅動的查詢分辨率系統？
• 了解抹布的工作流程
• 建立基於抹布的查詢分辨率系統
• 實施詳細信息
• 未來的增強
• 結論
• 常見問題

為什麼要使用AI驅動的查詢分辨率系統？

手動查詢響應緩慢且不一致。企業需要快速，準確的信息訪問才能滿足客戶期望。 AI系統可以使此過程自動化，從而提高了各個領域（客戶支持，銷售，金融，醫療保健，電子商務）的生產力和決策。

了解抹布的工作流程

抹布系統分為三個階段：

1. 索引：使用AI模型對文檔進行處理，分解，轉換為向量嵌入，並存儲在矢量數據庫（例如Chromadb）中。
2. 檢索：用戶的查詢已對矢量進行，系統將數據庫搜索最相關的塊。
3. 一代：檢索到的塊與原始查詢相結合，大型語言模型（LLM）產生了響應。

建立基於抹布的查詢分辨率系統

本文展示了一個簡化的抹布系統，用於使用AI代理回答學習者查詢。數據選擇至關重要；作者在定居在字幕上作為提供相關的結構化內容的最有效的來源之前，嘗試了各種數據類型（PowerPoint幻燈片，常見問題解答，過去的討論，課程視頻字幕）。

該系統包括三個組件：

1. 字幕處理：從SRT文件中提取和處理文本，將嵌入在Chromadb中。
2. 檢索：根據學習者查詢檢索相關課程材料。
3. 查詢答案代理：使用Crewai生成響應。

實施詳細信息

1. 庫導入： pysrt ， langchain （文本拆分，嵌入式，矢量店）， crewai ， pandas ， ast ， os ， tqdm已導入。

2. 環境設置： OpenAI API密鑰和模型名稱設置為環境變量。

3. 提取和存儲字幕數據：系統通過課程文件夾迭代，使用pysrt從SRT文件中提取文本，使用RecursiveCharacterTextSplitter將文本切成碎片，生成帶有OpenAIEmbeddings的嵌入式，然後將其存儲在Chromadb中。包括令牌使用的成本估算。

4. 查詢和響應學習者查詢： retrieve_course_materials函數在Chromadb中使用相似性搜索來檢索相關內容，並通過當然進行過濾。

5. 實施AI查詢答錄代理： CREWAI代理（“學習支持專家”）的定義具有特定的角色和背景故事。定義了一項任務以處理查詢，結合了檢索到的上下文和過去的討論。 crewai實例是初始化的，並且通過CSV文件中的Learner查詢迭代函數（ reply_to_query ），使用代理生成響應。包括錯誤處理。

未來的增強

• 結合結構化的常見問題系統。
• 添加圖像處理功能。
• 改進圖像列布爾邏輯。
• 探索語義分解和其他塊技術。

結論

這個用蘭班，chromadb和crewai構建的破布系統有效地自動化了學習者的支持。它可以提高可擴展性，檢索和響應質量。未來的改進將提高其功能和準確性。

常見問題

常見問題解答部分回答了有關Langchain，Chromadb，Crewai，OpenAI嵌入，字幕處理，處理多個查詢以及未來改進的問題，以反映原始內容。

以上是使用蘭鏈建立基於抹布的查詢分辨率系統的詳細內容。更多資訊請關注PHP中文網其他相關文章！