叉子

>本文探索了代理抹布，这是一种强大的技术，可以通过将代理AI的决策能力与检索功能增强生成（RAG）的适应性相结合来增强大型语言模型（LLM）。 与传统模型受其培训数据限制不同，Agentic rag允许LLMS独立访问和推理来自各种来源的信息。 该实用的指南重点是使用Langchain建立动手抹布管道。

>用langchain 构建代理抹布管道 以下步骤详细介绍了抹布管道的创建，由下面的架构图说明：

>

1. 用户查询：

   该过程以用户的问题开头，启动管道。

2. 查询路由：

   系统确定是否可以使用现有知识来回答查询。 积极的反应产生了立即的答案；否则，查询将进行数据检索。>

3. 数据检索：

   管道访问两个潜在来源：

   本地文档：
   • >预处理的PDF（例如，生成AI原理）是知识库，系统正在搜索内部的相关信息。 > Internet搜索：
   对于更广泛的上下文，管道使用外部来源来收集最新信息。
   • >
   >
上下文构建：
4. 检索数据（从PDF或Web中）被编译为连贯的上下文，组装相关信息。

   >

   答案生成：此编译的上下文被馈送到大型语言模型（LLM）以生成一个精确且内容丰富的答案。>

5. 设置环境

开始之前，请确保您有以下操作：>

groq api键：

groq api console

• gemini api键： gemini api console
• serper.dev api键： ersper.dev api键
• 安装必要的python软件包：
>将API密钥安全地在

>文件中安全地保存（示例）：>

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

>代码利用各种库进行：操作系统交互（os），环境变量加载（dotenv），矢量数据库管理（FAISS），PDF处理（PyPDFLoader>），文本拆卸（RecursiveCharacterTextSplitter），嵌入（HuggingFaceEmbeddings），eNagending（ChatGroq），LLM），LLM Interaction（llm Interaction（LLM Interaction）（SerperDevTool），ScrapeWebsiteTool，Agent，Task）。Crew>

llm初始化和决策>

>初始化了两个llms：

（使用llm）作为一般任务，而llama-3.3-70b-specdec>（使用crew_llm）进行Web刮擦。 Agemini/gemini-1.5-flash函数充当路由器，确定基于提供的上下文是否足够的本地答案。 check_local_knowledge()

> Web刮擦代理和矢量数据库

> >使用

库构建的Web刮擦代理，检索并总结了相关的Web内容。

>函数从PDF创建了FAISS矢量数据库，从而实现了有效的相似性搜索。 crewai>从数据库中检索最相关的5个最相关的块。setup_vector_db()> get_local_content()

答案生成和主函数

>

函数使用LLM根据收集的上下文来创建最终响应。

函数策划了整个过程，处理查询路由，上下文检索和答案生成。 一个示例查询（“什么是代理抹布？”）演示了该系统的整合基于本地和Web的信息以进行全面响应的能力。 输出展示了系统提供对代理抹布的详细说明的能力，即使信息在本地PDF中不直接存在。 generate_final_answer()>这种修订后的响应提供了对代理抹布管道的更简洁，更有条理的解释，重点介绍了所涉及的关键步骤和功能。 它还阐明了每个代码段和库的目的和用法。main()>

以上是叉子的详细内容。更多信息请关注PHP中文网其他相关文章！