AI应用

在本教程中，我将演示如何使用LangChain代理利用 OpenAI 的 GPT3.5 模型创建自定义数学应用程序。对于应用程序前端，我将使用Chainlit，这是一个易于使用的开源 Python 框

在本文中，我们将学习如何使用在 PC 上本地运行的开源 llm (llama3.1) 创建自定义代理。我们还将使用 Ollama 和 LangChain。 大纲 安装 Ollama 安装 langch

LangGraph 是一款功能强大的工具，可用于使用大型语言模型 (LLM) 构建有状态、多参与者应用程序。它扩展了 LangChain 库，允许您以循环方式协调跨多个计算步骤的多个链（或参与者）。在

在本文中，我们将从头开始讨论大型语言模型 (LLM) 的工作原理 — 假设您知道如何对两个数字进行加法和乘法。本文旨在完全独立。我们首先用笔和纸构建一个简单的生成式人工智能，然后介绍我们需要的一切，以

随着人工智能 (AI) 不断改变各个行业，其与数据库的集成变得越来越重要。虽然 Text2SQL 和 GAG（图形增强生成）等技术在弥合人工智能与数据库之间的差距方面显示出希望，但一种较新的方法出现了

瑞典皇家科学院决定将 2024 年诺贝尔物理学奖授予约翰·霍普菲尔德和杰弗里·辛顿，以表彰他们在人工智能和机器学习领域做出的贡献。 ©Niklas Elmehed/瑞典皇家科学院 被誉为“人工智能之父

我们正处于一场史无前例的技术革命的风口浪尖。想象一下，疾病可以用手术刀的精确度治愈，材料可以违背我们已知的物理定律，智能机器可以成为我们的合作者和知己。这不是遥远的科幻小说——这些都是科学家和创新者正

我把整个 AI 工程轨迹分为 3 个阶段，如图所示，您可以在此路线图中从左到右，即从初学者到中级再到高级。 每个阶段代表的内容如下： 1. **初学者（<= 1 个月）** ——构建基本应用程序

我们有大量文档，作为一名用户，我有时会发现，鉴于文档数量之多，要找到我想要的确切内容需要比我想象的更多的时间。介绍如何使用 LLM (OpenAI) 将我公司的文档转换为可搜索的数据

本文讨论了代理分块作为一种先进的技术，通过创建更具上下文连贯性的文本块来提高检索增强生成 (RAG) 系统的性能。 文章“如何在 RAG 中实现接近人类水平的分块性能”深入探讨了有效的分块方法对于 R

微软整合了 GraphRAG、AutoGen、Ollama 和 Chainlit 技术，打造出强大的多智能体 RAG（检索增强生成）超级机器人，无需依赖在线 LLM，即可进行复杂、基于情境的响应和本地

人工智能的应用遍及所有行业，改变了企业的运营和创新方式。其应用范围广泛，从降低成本和预防错误到改善客户服务、提高效率和实现日常任务自动化。 人工智能驱动的扩张中一个重大进步是生成式人工智能等革命性技术

随着技术飞速发展，许多公司发现很难跟上人工智能 (AI) 的快速发展。将 AI 融入现有业务运营是一项复杂的挑战，需要在基础设施和专业人才方面进行大量投资。此外，对数据隐私、道德影响和可能的就业流失的

NLP 中的词嵌入是一个重要术语，用于以实值向量的形式表示用于文本分析的单词。这是 NLP 的一项进步，提高了计算机更好地理解基于文本的内容的能力。它被认为是深度学习在解决具有挑战性的自然语言处理问题

LLM大模型新手训练指南, 本文将介绍`如何微调模型` - 即采用预先训练的模型并为其提供少量数据（通常为几 MB），以使其行为与您所想的任何任务保持一致。例如，如果您想要一个编码助手模型，您可以根据

在构建 LLM 相关应用程序的背景下，分块是将大段文本分解成较小片段的过程。这是一项必不可少的技术，有助于优化我们使用 LLM 嵌入内容后从矢量数据库获取的内容的相关性。在这篇博文中，我们将探讨它是否

NLP 中的词嵌入是一个重要术语，用于以实值向量的形式表示用于文本分析的单词。这是 NLP 的一项进步，提高了计算机更好地理解基于文本的内容的能力。它被认为是深度学习在解决具有挑战性的自然语言处理问题

词嵌入是大型语言模型的关键构建块。对于不熟悉的人来说，大型语言模型 (LLM) 由几个关键构建块组成，使它们能够高效地处理和理解自然语言数据。 大型语言模型 (LLM) 是一种人工智能模型，它基于大量

数据科学和机器学习的研究人员和从业者都在不断探索创新策略来增强语言模型的能力。在众多方法中，出现了两种突出的技术，即检索增强生成 (RAG)和微调。本文旨在探讨模型性能的重要性以及 RAG 和微调策略

在最近的 Linux Plumbers Conference 上，至少有 30 个关于 eBPF（扩展伯克利数据包过滤器）的演讲，并且它的受欢迎程度在过去几年中一直在持续增加。它很快不仅成为一项无价的