AIGC

前言 太热了, 不只是这三月的天气，更是被围得水泄不通的小米汽车展厅！龙总刚面完百度，感觉发挥挺好，班上几个同学一起摸了把小米汽车,感受下未来会属于我们的第一辆dream car。 小米汽车太帅，特别

前言 如果您想在localhost部署并运行开源大模型，可以试试Ollama。本文我们将使用Ollama部署，并通过API的方式调用大模型。 安装 Ollama提供了python和js两种开发包，对前

前言 初五接财神，祝龙年，各位都拿下大厂offer。初五也是情人节，财神爷爱你。 准备春招，得先把全栈项目完善一下。怎么给面试官介绍自己的项目亮点和难点呢？完整的登录流程（JWT）算一个，精心设计的表

前言 年前几天，把吴恩达AI系列的Building Applications with Vector Databases - DeepLearning.AI刷完了，并写了系列学习文章。将Pinecon

前言 上篇文章我们使用混合向量开发了时尚品的文搜图功能，本文我们来看Pinecone在面部识别领域的使用。 安装依赖 引入依赖 准备数据集 我们这里的数据集主要是图片集，使用wget把它下载下来,主要

前言 在前面的文章中，我们利用Pinecone向量数据库实现了自然语义搜索、RAG、推荐系统，本文一起来看下如何实现时尚产品混合搜索。当我们提出"dark blue french connection

前言 在前端也可以这样零基础入门Pinecone二 - 掘金 (juejin.cn)文章中，我们在RAG应用中使用了Pinecone向量数据库。本文，继续给大家展示Pinecone擅长的应用场景。我们

前言 向量数据库是构建LLM应用程序架构的关键组成部分，前端也可以这样零基础入门Pinecone - 掘金 (juejin.cn)介绍了Pinecone的基本用法。本文我们一起来使用Pinecone，

前言 向量数据库是构建LLM应用程序架构的关键组成部分，特别是当我们在构建RAG(检索增强生成)类应用的时候，本文我们一起来学习Pinecone。 我们将使用Pinecone来实现文本相似性搜索、图像

前言 在上篇文章LangGraph 进化LangChain到多代理运行时 - 掘金 (juejin.cn)中，我们编写了一个组合search engine和twitter writter engine

前言 LangChain近期发布了重要新功能LangGraph,作为一个老前端LangChain吹，肯定要给大家来分享下。一起搞AI项目，龙年发大财。 LangGraph LangGraph增强了La

前言   大模型是被训练出来的，它可以结合本地知识库，也可以调用搜索或在线API来增强自身的能力。这些都不是大模型内部的数据，我们称为外部工具。   当大模型需要通过自主判断调用外部工具来进一步完成任

前言   不管是学习还是工作，我们用的多的还是OpanAI。但是，现在的LLMs百花齐放,很多模型在表现上接近，甚至在某些方面比OpenAI还有优势。当我们想要尝试切换其它LLMs时，虽然LangCh

前言   Vanna为Text2SQL这一AIGC需求，提供了非常棒的开发套件，我感觉要离不开它了。如果您还没有注册Vanna, 请先看Vanna.AI - Personalized AI SQL A

前言   前端搞全栈，复杂SQL是个难点。我之前写过一篇LangChain实战: 老喻干货店TextToSql，今天跟大家分享Vanna, 一款基于RAG的自然语言生成SQL的工具。 Vanna   

前言   上篇文章我们以I/O的视角来看待大模型。本文我们将继续深入LangChain在I/O的三个阶段的给力组件，让我们更好的开发AI应用。 提示词模板类型   提示词模板方便复用、接收参数、可以定

前言   吴恩达老师在他的ChatGPT Prompt Engineering for Developers公开课中，分享了关于Prompt 工程的两条原则：一是清晰且具体的prompt, 二是给大模

前言  Advanced RAG 系列学习了先是单个文档的半结构数据抽取table 、图片，再是多文档Object Index关联。本文最后一篇， 聊聊多用户。在基于AI构建产品时，我们要考虑多用户，

前言   我们一起来学习LlamaIndex功能更完善的多文档RAG，大家可以参照官方文档来对比学习。 Advanced RAG - LlamaIndex Multi-Doc Agent 单个文档RA

前沿   上篇我们打理了pdf格式文件中非结构化的文本和结构化的table 混合的半结构化数据，学习了unstructured、MultiVectorRetriever等Advanced RAG的用法