文章列表-AI魔法学院

文章列表

LangChain 完整指南：使用大语言模型构建强大的应用程序

What is LangChain?

langchain 大模型

从零开始用LangChain、Pinecone和LLMs搭建你自己的文档问答系统

LangChain 是一个强大的框架，专为开发由语言模型驱动的应用程序而设计，而 Pinecone 则是一个高效的向量数据库，用于构建高性能的向量搜索应用程序。

知识库 langchain

大模型应用实践：用LLaMA 2.0, FAISS and LangChain实现基于自由知识问答

LangChain由来自多个模块的多个组件组成。

开源模型

LangChain - RAG：线上系统多文档要频繁更新，每次都要重新花钱做一次 embedding，老板不批预算，批我...

LangChain 提出的方案如下图所示，暂且称它为「增量更新」模式，在 data-transform 这一步、embedding 之前针对没个 chunk 做一次 hash，记录下来 hash 值，每次源数据更新了只需要在这一步里面比对一下

大模型

利用LangChain建gpt专属知识库，如何避免模型出现“幻觉”，绕过知识库知识乱答的情况？

比如典型的Langchain-ChatGLM的架构图，加载文件 -> 读取文本 -> 文本分割 -> 文本向量化 -> 问句向量化 -> 在文本向量中匹配出与问句向量最相似的

LangChain 知识库

RAG应用中数据处理过程需要注意的事项

随着检索增强生成(RAG)应用程序不断发展，这些应用程序通常将Langchain/LlamaIndex与Weaviate/Pinecone和foundation Models结合在一起，它们遇到了各种障碍

RAG 大模型

LlamaIndex的QueryPipeline在实现RAG应用后，Agent应用也可以实现了（附开发示例）

实际上，实现思路很直接，就是定义了AgentWorker（类似于langchain的AgentExecutor的实现，支持ReAct模式的循环）在其上实现了一些Agent特有的组件，进而基于此实现了AgentPipeline

Agent QueryPipeline 大模型

AI Agent新对决：LangGraph与AutoGen的技术角力

，于是一款新的技术框架：LangGraph应运而生，正式宣布 LangChain 进入多智能体框架领域。

LangGraph AutoGen 对决

应用编排的未来是Pipeline，LlamaIndex开发预览版推出Query Pipeline，提升应用开发的灵活性

在这里不论是langchain选择了命令式的langchain template，还是今天要介绍的主角llamaindex选择的声明式的QueryPipeline，以及在此之前已经发布了数据处理阶段的pipeline

Query Pipeline 大模型

Prompt 策略：代码库 AI 助手的语义化搜索设计

在设计时，为了更好的在框架底层提供这种能力，我们参阅了 Bloop 应用、LangChain、Spring AI、LlamaIndex 框架等的代码与思想，参考/复制（基于 Apache

prompt

如何提高RAG 的效果

写在前面 LLM+RAG 构建很简单，使用开源项目langchain几行代码就搞定，但简单的构建过程不意味着很好的效果。

RAG 大模型

最新最全的开源中文大语言模型列表

2.2 LangChain应用 langchain-ChatGLM：地址：https://github.com/imClumsyPanda/langchain-ChatGLM

大模型

大模型检索增强生成RAG的优化

LangChain官网提供了一个通过Graph对RAG应用进行增强的DevOps的例子，感兴趣的读者可以详细研究[5]。

RAG 检索增强大模型

M3E 可能是最强大的开源中文嵌入模型

01 — 最近在研究和部署使用 LangChain + LLM(ChatGPT/ChatGLM) 构建企业专有知识库时，接触到两个

开源模型

从⼤模型到 AI 应⽤落地，工程实现有多复杂?

本次分享主要包含五块内容，分别是：一、Prompt 工程化：代码与模型解耦二、私有化数据接⼊：持续更新与调整三、Agent 的演进：自动化编排四、我们最终会丢掉 LangChain

大模型

<123 4 5 6 7 8 >

汇聚AI资讯，网罗AI文档，详解AI工具！

关于我们用户协议隐私条款商务合作：skillupvip

© 2023-2025 AI魔法学院

京ICP备20027199号-1