企业网站备案,青岛网站制作工具,软文推广文章范文,网站上做404页面怎样做推荐#xff1a;使用 NSDT场景编辑器 快速搭建3D应用场景 LlamaIndex是基于大型语言模型#xff08;LLM#xff09;的应用程序的数据框架。像 GPT-4 这样的 LLM 是在大量公共数据集上预先训练的#xff0c;允许开箱即用的令人难以置信的自然语言处理能力。但是#xff0c;… 推荐使用 NSDT场景编辑器 快速搭建3D应用场景 LlamaIndex是基于大型语言模型LLM的应用程序的数据框架。像 GPT-4 这样的 LLM 是在大量公共数据集上预先训练的允许开箱即用的令人难以置信的自然语言处理能力。但是如果无法访问您自己的私人数据它们的效用会受到限制。
LlamaIndex 允许您通过灵活的数据连接器从 API、数据库、PDF 等中提取数据。然后LlamaIndex 允许通过查询引擎、聊天界面和 LLM 支持的数据代理对数据进行自然语言查询和对话。它使您的LLM能够大规模访问和解释私有数据而无需在较新的数据上重新训练模型。
无论您是寻找一种以自然语言查询数据的简单方法的初学者还是需要深度自定义的高级用户LlamaIndex 都能提供这些工具。高级 API 允许仅使用五行代码即可入门而较低级别的 API 允许完全控制数据摄取、索引、检索等。
LlamaIndex指数如何运作
LlamaIndex使用检索增强生成RAG系统该系统将大型语言模型与私有知识库相结合。它通常由两个阶段组成索引阶段和查询阶段。 索引阶段
LlamaIndex将在索引阶段有效地将私有数据索引为矢量索引。此步骤有助于创建特定于您的域的可搜索知识库。您可以输入文本文档、数据库记录、知识图谱和其他数据类型。
从本质上讲索引将数据转换为捕获其语义含义的数字向量或嵌入。它可以跨内容进行快速相似性搜索。
查询阶段
在查询阶段RAG 管道会根据用户的查询搜索最相关的信息。然后将此信息与查询一起提供给LLM以创建准确的响应。
此过程允许LLM访问其初始培训中可能未包含的当前和更新信息。
此阶段的主要挑战是对潜在的多个知识库进行检索、组织和推理。
设置LlamaIndex索引
在我们深入研究 LlamaIndex 教程和项目之前我们必须安装 Python 包并设置 API。
我们可以简单地使用 pip 安装 LlamaIndex。 默认情况下LlamaIndex使用OpenAI GPT-3 text-davinci-003模型。若要使用此模型必须具有设置。您可以通过登录OpenAI的新API令牌创建一个免费帐户并获取API密钥。OPENAI_API_KEY 此外请确保您已安装该软件包。openai 使用LlamaIndex将个人数据添加到LLM
在本节中我们将学习使用LlamaIndex来创建简历阅读器。您可以通过转到LinkedIn个人资料页面单击“更多”然后单击“保存到PDF”来下载简历。
请注意我们使用 DataCamp 工作区来运行 Python 代码。可以在“LlamaIndex将个人数据添加到LLM”工作区中访问所有相关代码和输出。
在运行任何内容之前我们必须安装 、 和 。我们正在安装以便我们可以读取和转换PDF文件。llama-indexopenaipypdfpypdf 我们有一个名为“Private-Data”的目录只包含一个PDF文件。我们将使用 来读取它然后使用 .SimpleDirectoryReaderTreeIndex 为数据编制索引后可以使用 开始提问。此功能使您能够询问有关文档中特定信息的问题并在 OpenAI 模型的帮助下收到相应的响应。as_query_engine()GPT-3 text-davinci-003
注意您可以在DataCamp Workspace中设置OpenAI API方法是按照使用GPT-3.5和GPT-4通过Python中的OpenAI API教程进行操作。
正如我们所看到的LLM模型已经准确地响应了查询。它搜索了索引并找到了相关信息。 我们可以进一步询问认证。LlamaIndex似乎已经对候选人有了完整的了解这对于寻求特定个人的公司来说是有利的。
response query_engine.query(What is the name of certification that Abid received?)print(response) 创建索引是一个耗时的过程。我们可以通过保存上下文来避免重新创建索引。默认情况下以下命令会将索引存储保存在目录中。./storage
new_index.storage_context.persist() OpenAI 完成后我们可以快速加载存储上下文并创建索引。 为了验证它是否正常运行我们将向查询引擎询问简历中的问题。看来我们已经成功加载了上下文。 聊天机器人
除了问答我们还可以使用LlamaIndex创建一个个人聊天机器人。我们只需要用函数初始化索引。as_chat_engine()
我们将问一个简单的问题。 在不提供额外背景的情况下我们将提出后续问题。 In 2021, Abid worked as a Data Science Consultant for Guidepoint, a Writer for Towards Data Science and Towards AI, a Technical Writer for Machine Learning Mastery, an Ambassador for Deepnote, and a Technical Writer for Start It Up.
很明显聊天引擎运行完美。
构建语言应用程序后时间轴上的下一步是了解在云中使用大型语言模型 LLM 与在本地运行它们的优缺点。这将帮助您确定哪种方法最适合您的需求。
使用 LlamaIndex 构建 Wiki 文本到语音
我们的下一个项目涉及开发一个应用程序该应用程序可以响应来自维基百科的问题并将其转换为语音。
代码源和其他信息可在以下 DataCamp 工作区中找到。
网页抓取维基百科页面
首先我们将从意大利 - 维基百科网页中抓取数据并将其保存为文件夹中的文件。italy_text.txtdata 加载数据并构建索引
接下来我们需要安装必要的软件包。该软件包允许我们使用 API 轻松地将文本转换为语音。elevenlabs 通过使用我们将加载数据并使用 将 TXT 文件转换为矢量存储。SimpleDirectoryReaderVectorStoreIndex 查询
我们的计划是询问有关该国的一般问题并收到LLM的答复。query_engine 文本转语音
之后我们将使用该模块访问 ElevenLabsTTS api。您需要提供 ElevenLabs API 密钥才能启动音频生成功能。您可以在ElevenLabs网站上免费获得API密钥。llama_index.tts 我们将向函数添加响应以生成自然语音。要收听音频我们将使用 的函数。generate_audioIPython.displayAudio 这是一个简单的例子。您可以使用多个模块来创建助手如 Siri通过解释您的私人数据来回答您的问题。有关更多信息请参阅骆驼索引文档。
除了LlamaIndex之外LangChain还允许您构建基于LLM的应用程序。此外您可以阅读 LangChain 数据工程和数据应用简介了解您可以使用 LangChain 做什么的概述包括 LangChain 解决的问题和数据用例示例。
LlamaIndex索引用例
LlamaIndex提供了一个完整的工具包来构建基于语言的应用程序。最重要的是您可以使用Llama Hub的各种数据加载器和代理工具来开发具有多种功能的复杂应用程序。
您可以使用一个或多个插件数据加载器将自定义数据源连接到LLM。 您还可以使用代理工具集成第三方工具和 API。 简而言之您可以使用LlamaIndex来构建
文档问答聊天机器人代理结构化数据全栈 Web 应用程序私人设置
要详细了解这些用例请前往 LlamaIndex 文档。
结论
LlamaIndex 提供了一个强大的工具包用于构建检索增强生成系统该系统将大型语言模型的优势与自定义知识库相结合。它支持创建特定于域的数据的索引存储并在推理过程中利用它来为LLM提供相关上下文以生成高质量的响应。
在本教程中我们了解了 LlamaIndex 及其工作原理。此外我们构建了一个简历阅读器和文本到语音转换项目只有几行 Python 代码。使用 LlamaIndex 创建 LLM 应用程序很简单它提供了一个庞大的插件库、数据加载器和代理。
要成为一名专业的LLM开发人员下一个自然步骤是注册Master Large Language Models Concepts课程。本课程将使您全面了解LLM包括其应用培训方法道德考虑和最新研究。
原文链接LlamaIndex将个人数据添加到LLM (mvrlink.com)
