ASFAFASFASFASFASF

>本文探讨了代理抹布，这是一种强大的方法，将代理AI的决策与RAG的适应性结合了动态信息检索和生成。 与受培训数据限制的传统模型不同，代理RAG独立访问和理由，以及来自各种来源的信息。该实用的指南重点是建造基于兰链的抹布管道。

>

代理抹布项目：逐步指南

>

该项目按照以下架构构建了抹布管道：

1. 用户查询：该过程以用户的问题开头。

2. 查询路由：系统确定它是否可以使用现有知识回答。 如果是，它将直接响应；否则，它将进行数据检索。

   >

3. 数据检索：管道访问两个潜在来源：

   • >本地文档：>预处理的PDF（生成AI原理）用作知识库。
   • Internet搜索：对于更广泛的上下文，系统通过Web刮擦使用外部来源。

4. 上下文构建：检索数据被编译到连贯的上下文中。

   >

5. > 答案生成：>此上下文被馈送到大型语言模型（LLM）以生成简洁明了的答案。

设置环境

>先决条件：

groq api键（
1. groq api console）>
gemini api键（
2. gemini api console）>
serper.dev api键（
3. serper.dev api key ）

>安装：

安装必要的python软件包：

pip install langchain-groq faiss-cpu crewai serper pypdf2 python-dotenv setuptools sentence-transformers huggingface distutils

API密钥管理：将API密钥牢固地存储在>文件中（下图）：.env>

import os
from dotenv import load_dotenv
# ... other imports ...

load_dotenv()
GROQ_API_KEY = os.getenv("GROQ_API_KEY")
SERPER_API_KEY = os.getenv("SERPER_API_KEY")
GEMINI = os.getenv("GEMINI")

代码概述： 该代码使用几个兰格链组件：

用于矢量数据库，

用于pdf处理，FAISS用于文本块，PyPDFLoader用于嵌入生成，RecursiveCharacterTextSplitter> andHuggingFaceEmbeddings和ChatGroq for llms for llms，LLM用于Web搜索，以及用于代理商的SerperDevTool>crewai>

>>>初始化了两个LLM：

（llama-3.3-70b-specdec）用于一般任务，llm（gemini/gemini-1.5-flash）用于网络刮擦。 crew_llm函数基于本地上下文可用性路由查询。使用check_local_knowledge()构建的Web刮擦代理检索并总结了Web内容。 使用FAISS从PDF创建矢量数据库。 最后，crewai结合了上下文和查询以产生最终响应。 generate_final_answer()

示例用法和输出：

> 函数演示了查询系统。 例如，查询“什么是代理抹布？”触发了网络刮擦，从而对代理抹布，其组件，福利和局限性进行了全面的解释。 输出展示了系统动态访问和合成来自不同来源的信息的能力。 此处省略了详细的输出，但可用于原始输入。

以上是ASFAFASFASFASFASF的详细内容。更多信息请关注PHP中文网其他相关文章！