使用扣子 Coze模板一键快速创作爆款文案卡片 很多人在看到别人发的一些爆款文案的时候感觉特别震撼，透彻的文案内容、精美的排版、丰富的插图。 自媒体时代，如何快速制作爆款且有创意的卡片文案内容？下面一些方法可以帮助到你。
Python — 使用 FastAPI 和 PostgreSQL 构建简单 API 最近一年公司也在卷 LLM 的应用项目，所以我们也从 goper => Pythoner。 这一年使用最多的就是 Python 的 FastAPI 框架。下面一个简易项目让你快速玩转 Python API Web。 API代表应用程序编程接口，是软件开发中最重要的概念之一。它允许程序通过发送和接收数据与其他服务进行交互。API Web 通信最广泛使用的标准之一是 REST，它依赖于JSON 格式或键值对，类似于 Python 的字典。
RAG实操教程:使用LangChain + Llama2 打造你的个人LLM 本文将逐步指导您创建自己的RAG（检索增强生成）系统，使您能够上传自己的PDF文件并向LLM询问有关PDF的信息。本教程侧重于图中蓝色部分，即暂时不涉及Gradio（想了解已接入Gradio的，请参考官网）。相关技术栈包括以下内容： 1. LLM: Llama2 2. LLM API: llama.cpp service 3. Langchain： 4. Vector DB: ChromaDB 5. Embeding: sentence-Tranformers 核心在于 Langchain，它是用于开发由语言模型支持的应用程序的框架。LangChain 就像胶水一样，有各种接口可以连接LLM模型与其他工具和数据源，不过现在 LangChain 正在蓬勃发展中，许多文件或API改版很多。以下我使用最简单的方式示范。
根据用户查询的意图在 RAG 应用程序内路由控制流可以帮助我们创建更有用、更强大的基于检索增强生成 (RAG) 的应用程序。 我们希望用户能够交互的数据很可能来自各种来源，例如报告、文档、图像、数据库和第三方系统。对于基于业务的 RAG 应用程序，我们可能希望使用户能够与来自业务中一系列领域的信息进行交互，例如来自销售、订购和会计系统的信息。
路由对于我们来说是很熟悉的了。在 RAG 中的路由主要的作用是让 LLM 分析用户 query 的语义，从而帮助我们的应用正确的选择要查找的数据源（向量库、Relation DB等）。
查询转换是一组专注于重写和/或修改问题以进行检索的方法。这篇文章我们继续构建 RAG 应用。RAG 的复杂性体现在对用户的 question 的构建方式和处理方式。所以本文主要讲 query translation 的多种方式。
LLM 已经从最初的研究性转变为实际应用性，尤其在今年各大 LLM 厂商都在研究 LLM 的商业化落地方案（包括我司）。而在各种商业化场景中个人觉得最具有使用价值和最能体现 LLM 的商业化场景就是 RAG 的使用。 什么是 RAG 大家都知道 LLM 的能做的事情很多，但是有一些工作它是无法做到的，那就是领域知识和最新的知识。 领域知识一般指企业里面私有化的数据，因为这部分的知识 LLM 是无法获取和知道的。
豆包MarsCode ，基于豆包 大模型 的智能开发工具，提供 Cloud IDE 及 AI 编程助手两种使用形态，具备代码补全、智能问答、代码解释和代码修复等多项功能，原生的AI能力，让编程变得更加智能化和便捷化。 豆包MarsCode IDE 提供开箱即用的线上开发环境，用户随时随地打开浏览器就能快速进行项目开发。AI 编程助手兼容支持Visual Studio Code、JetBrains IDEs等主流编程工具，支持100+种编程语言。
上一篇文章 使用谷歌 Gemini API 构建自己的 Chat（教程一） 我们介绍了 Gemini 是什么，以及如何使用Gemini 构建一个多模态的聊天场景示例。这一篇我们使用 langchain 与 Gemini 集成构建应用： 将 Langchain 与 Gemini 集成 Langchain已成功将Gemini模型整合到其生态系统中，使用ChatGoogleGenerativeAI类。 启动该过程需要向ChatGoogleGenerativeAI类提供所需的Gemini模型来创建一个llm类。我们调用函数并传递用户输入的内容为参数。 可以通过调用response.content获取生成的响应。 • 在下面的代码中，我们构建了一个最简单的查询。
最近接触到一个非常有趣的挑战，涉及到人工智能数字化大量文件的能力，并使用户可以在这些文件上提出复杂的与数据相关的问题，比如： • 数据检索问题：涉及从数据库中获取特定数据点或数据集，例如“电子产品类别中有多少产品？” 或 “2021年第四季度总销售额是多少？” • 汇总查询：需要对数据进行总结的问题，如计算平均值、求和、计数等，例如“所有已上架产品的平均价格是多少？”或“每个地区客户的总人数是多少？” • 数据关系探索：探究不同数据实体之间关系的问题，比如"哪些客户购买了三种以上不同的产品？" 或 "列出上个月没有交付任何产品的所有供应商。" • 条件查询：涉及条件或筛选器，比如“列出2022年发生在超过500美元交易额以上的所有交易” 或 “展示所有缺货商品。”
什么是 RAG RAG 是retrieval-augmented-generation的缩写，翻译为中文的意思就检索增强，以基于最新，最准确的数据建立LLM 的语料知识库。 LLM 现存的痛点 我们知道 LLM 的知识库是通过现有的网络公开的数据作为数据源来训练的，现在公开的很多模型他们基于的训练数据会比我们现在网络上公开的数据早很多，那自然就会产生一种问题，网络上最新的数据和知识 LLM 是不知道。还有一种情况就是很多企业他们对自己的数据的安全做的很好，也就是私有化数据（这些数据是有价值的，也是企业的立足之本）。这些数据网络上肯定是不存在，那自然 LLM 也是不知道的。 我们在提问LLM 对于一些不知道的知识时候，LLM 很多时候是不知道如何回答问题的。甚至会对我们的问题进行胡诌随机回答，也就是瞎说。
AI领域一直由OpenAI和微软等公司主导，而Gemini则崭露头角，以更大的规模和多样性脱颖而出。它被设计用于无缝处理文本、图像、音频和视频；这些基础模型重新定义了人工智能交互的边界。随着谷歌在人工智能领域强势回归，了解Gemini如何重新定义了人机交互的格局，展示了AI驱动创新未来的一脚。 在本文中，我们将获取免费Google API密钥、安装必要依赖项以及编写代码来构建超越传统文本交互的智能聊天机器人的过程。 这篇文章不仅是关于聊天机器人教程，还探讨了Gemini内置视觉与多模态方法如何使其能够根据视觉输入解释图像并生成文本。
儿童绘本 Bot 的功能介绍： 嘿，小朋友们！我是你们的小小侦探?️♀️哟！我可厉害啦，就像柯南一样聪明，能把复杂的问题都拆成一个个小问题来解决哦。不管你们遇到什么难题，都可以来哦，让我们一起开动小脑筋，养成好习惯，变得超级厉害吧！
在当今快速发展的人工智能领域，大型语言模型（LLM）已经成为无处不在的技术，它们不仅改变了我们与机器交流的方式，还在各行各业中发挥着革命性的影响。
Alchemy 的真实情况是： • 它的学习曲线比 Django ORM 更陡峭 • 需要一些示例代码 • 你需要了解一些较低层次的概念 • 有一些难以理解的文档 如果您确实使用 `SQLAlchemy`，则必须为 `Celery` 任务编写一些示例文件，其中包含风险意大利面条代码。
作为Python开发者，我们经常遇到需要从各种来源和格式（如 PDF、CSV、HTML等）中提取数据的情况。在这篇文章中，我们将深入研究从PDF文件中解析数据，并介绍一些对解析其他数据格式有用的 Python 包。 用Python解析PDF文件 PDF是一种标准文件格式，广泛用于共享和打印文件。不幸的是，由于其复杂的结构，当涉及到数据提取时，它并不是最容易的格式。幸运的是，Python提供了几个库，可以帮助我们从PDF文件中提取数据，比如PyPDF2和PDFMiner。
在设计系统时，您将面临的最关键的系统设计选择之一是选择合适的数据库管理系统（DBMS）。SQL 与 NoSQL 数据库之间的选择可以极大地影响系统的整体性能、可扩展性和通常的成功。这就是为什么我们在系统设计中详细比较了SQL 与 NoSQL 数据库，以帮助您在设计可扩展系统时确定选择哪个数据库。我们还将讨论 SQL 或 NoSQL 数据库更适合的可能性、NoSQL 数据库的类型以及各种 SQL 服务器配置。
模式搜索简介 - 数据结构和算法教程 模式搜索是一种涉及搜索字符串、单词、图像等模式的算法。 我们使用某些算法来进行搜索过程。模式搜索的复杂性因算法而异。在数据库中执行搜索时它们非常有用。模式搜索算法对于在较大字符串的子字符串中查找模式非常有用。这个过程可以使用我们将在本文章中讨论的各种算法来完成。
什么是递归？ 函数直接或间接调用自身的过程称为递归，相应的函数称为递归函数。使用递归算法，可以很容易地解决某些问题。此类问题的示例包括汉诺塔 (TOH)、中序/先序/后序树遍历、图的 DFS 递归函数通过调用自身的副本并解决原始问题的较小子问题来解决特定问题。需要时可以生成更多的递归调用。重要的是要知道我们应该提供某种情况来终止这个递归过程。
完全二叉树 我们知道树是一种非线性数据结构。它对儿童数量没有限制。二叉树有一个限制，因为树的任何节点最多有两个子节点：左子节点和右子节点。 什么是完全二叉树？ 完全二叉树是一种特殊类型的二叉树，其中树的所有级别都被完全填充，除了最低级别的节点从尽可能左侧填充之外。
你一定见过Chrome和 Android Studio关于内存和 CPU 巨大消耗的情况。 嗯...我认为我们有一个新的「王者」。 国王已死，新国王万岁。 陛下：WSL！? 这是因为有一个已知问题 “WSL 2 消耗大量 RAM”。
1.安装WSL 关于如何安装 WSL这里就不介绍了，大家可以去找找相关的教程，很多。最直接的就是去微软官方：https://learn.microsoft.com/en-us/windows/wsl/install 最简单的方法是从 Microsoft Store 安装 Ubuntu 2.ubuntu 在开始菜单中搜索Ubuntu图标并打开终端（也可以使用Windows终端） 使用此命令更新包源列表并更新当前安装的所有包。
在window上打造一个顺手的开发环境：在 WSL 上升级 Ubuntu 版本
如果我们在使用 widows 遇到了C:驱动器空间不足的情况下，或者我们希望将文件放在与操作系统不同的磁盘上，我们可以通过以下几个步骤将WSL2文件系统移动到另一个空间比较足的驱动器。 前提条件
Ansible Playbook 提供了一个可重复、可重用、简单的配置管理和多机部署系统，非常适合部署复杂的应用程序。如果您需要多次使用 Ansible 执行任务，请编写一个 playbook 并将其置于源代码控制之下。然后，您可以使用 playbook 推出新配置或确认远程系统的配置。
创建 playbook • Playbook Playbook 是 Ansible 用于部署和配置托管式节点的 YAML 自动化蓝图。 定义 Ansible 从上到下执行操作以实现总体目标的顺序列表。 Play 映射到清单中的托管式节点的任务的有序列表。 Task 任务 个或多个模块的列表，用于定义 Ansible 执行的操作。 Module 模块 Ansible 在托管式节点上运行的代码单元或二进制文件。Ansible 模块分组到集合中，每个模块都有一个完全限定的集合名称。
配置文件 Ansible 中的某些设置可通过配置文件 (ansible.cfg) 进行调整。 库存配置对于大多数用户来说应该足够了，但您可能出于某些原因想要更改它们。 可以在配置文件中进行更改并使用该更改，该文件将按以下顺序搜索： • ANSIBLE_CONFIG（如果设置了环境变量） • ansible.cfg（在当前目录中） • ~/.ansible.cfg（在主目录中） • /etc/ansible/ansible.cfg
Copyright © 2005-2025 51CTO.COM 版权所有 京ICP证060544号
