Cohere Command R：完整的分步教程

>本教程探索了Cohere Command R，这是一个尖端的大语言模型（LLM），在线，本地和通过Cohere Python API演示其使用。 我们将利用Langchain和Tavily建立AI代理来完成多步骤任务。

对于那些熟悉Cohere模型的人，请跳到项目部分。初学者可以探索AI基础知识，以了解有关CHATGPT，LLM和生成AI的了解。

>

>

什么是cohere命令r？

命令R是Cohere的高级LLM，在对话互动和长篇小说任务方面表现出色。 它针对复杂检索增强生成（RAG）工作流程和多步工具的优化使其非常适合企业应用程序。

>

> cohere命令的关键功能

> 扩展上下文：最多可处理128K令牌，超过了以前的质量和可靠性模型（4K代币输出限制）。

多语言支持：
• >接受多种多样的语料库培训，针对英语，法语，西班牙语，意大利语，德语等进行了优化。>
>跨语言功能：
• 执行翻译和跨语言问题回答。
>内置的抹布：促进没有外部框架的抹布；只需提供引用的文档以进行上下文感知的响应。
• 多步工具使用：
与搜索引擎和自定义工具（数据库，API）集成以进行最新响应。
• 有关对二线模型的全面理解，请参阅Cohere API教程：从Cohere Models开始。 >
>访问cohere命令r：
• > 存在几种方法，许多方法是免费的：
>

在线访问（HuggingChat）：

>访问 https://www.php.cn/link/217ffec3caf17a4444440f340fc11d93e8ab

选择“模型”，然后选择“ c4ai-command-r-plus。”

> 输入查询；期望快速，准确的响应。 还集成了六个工具（图像生成，互联网搜索等）。>

2. 本地访问（JAN）：
1. > https://www.php.cn/link/1D72D067AD71FC47C245E249DC16CB7F。 >访问型号集线器（左图）。
2. 搜索“ pmysl/c4ai-command-r-plus-gguf”（要求＆gt; 30GB RAM）。
3. >下载并使用“ Q4_K_M版本”（〜31.24GB）。



api Access（JAN带有Cohere API）：

> >登录到

> https://www.php.cn/link/19c81ddc9575bacf2a6f73b428065821
1. >。 转到“仪表板”，然后转到“ API密钥”，然后创建一个试用密钥。>
>将钥匙粘贴到Jan的“模型提供者”（设置＆gt; cohere）中。
2. >
>在Jan的“线程”菜单中选择命令R。 使用“流”进行实时响应。

cohere python api：

> install：

获取Cohere API键（请参见上面的API访问）。
1. > pip install cohere>设置环境变量（推荐Datacamp的Datalab）。
初始化cohere客户端：
4. 使用
生成响应：

import os
import cohere

cohere_api_key = os.environ["COHERE_API_KEY"]
co = cohere.Client(api_key=cohere_api_key)

5. .chat()

response = co.chat(model="command-r-plus", message="Your query here")
print(response.text)

探索cohere Python API特征：>

• >文本生成：>使用preamble>，chat_history，max_tokens和temperature和
>用于自定义响应。
• 流：使用.chat_stream()实时令牌生成。
> 可预测的输出：
• 设置可再现结果的参数。seed
• rag：>在中使用documents参数.chat()进行上下文感知响应。
>
• >嵌入：>使用.embed()用于语义文本表示。
• 微调：.datasets.create()>使用.finetuning.create_finetuned_model()上传自定义数据集，并用
>进行微调。
。



ai项目：兰班和坦维利的多步代理：

>

这个项目创建一个AI代理，该AI代理搜索Web（Tavily）并生成/执行Python代码（Python depp）以产生可视化。
1. >安装软件包：%pip install --quiet langchain langchain_cohere langchain_experimental
2. 设置Cohere聊天模型：

import os
import cohere

cohere_api_key = os.environ["COHERE_API_KEY"]
co = cohere.Client(api_key=cohere_api_key)

3. >设置tavily搜索工具。
4. >设置Python Repl工具。
5. 使用create_cohere_react_agent和AgentExecutor。
测试代理（例如，生成饼图）。



结论：

>本教程提供了使用Cohere命令R的综合指南，突出显示其功能并展示其在构建复杂的AI代理中的应用。 强大的LLM和工具（如Langchain和Tavely）的组合简化了先进的AI系统的开发。

以上是Cohere Command R：完整的分步教程的详细内容。更多信息请关注PHP中文网其他相关文章！