AI--RAG在线流程开发
AI–RAG在线流程开发0.在线服务流程流程图   在线流程的开发主要涉及四个脚本 向量检索功能 wector_stores.py rag服务核心功能 rag.py 历史会话记录功能 file_history_store.py l聊天UI界面 app_qa.py    1.向量检索12345678910111213141516171819202122
AI--RAG离线流程开发
AI–RAG离线流程开发0.离线服务流程流程图   离线流程的开发主要涉及两个脚本: 文件上传服务功能app_file_upload.py 向量知识库管理knowledge_base.py    1.文件上传服务123456789101112131415161718192021222324252627282930313233""&
AI--RAG介绍
AI–RAG介绍1.RAG介绍  通用的基础大模型存在以下的一些问题： LLM的知识不是实时的，模型训练好后不具备自动更新知识的能力，会导致部分信息滞后 LLM领域知识是缺乏的，大模型的知识来源于训练数据，这些数据主要来自公开的互联网和开源数据集，无法覆盖特定领域或高度专业化的内部知识 幻觉问题，LLM有时会在回答中生成看似合理但实际上是错误的信息 数据安全性 &em
AI--LangChain的向量
AI–LangChain的向量1.向量的概念  从前面的流程图中，涉及到了向量的相关概念，向量库是RAG中的一个重要节点 离线流程：知识和信息 -> 向量嵌入 (向量化) -> 存入向量库 在线流程：用户的提问 -> 向量嵌入 (向量化) -> 在向量库中匹配   向量简单来说就是文本的数字身份证，它将一段文字的语义信息，转换成一
AI--LangChain文档加载器
AI–LangChain文档加载器1.文档加载器  文档加载器提供了一套标准接口，用于将不同来源（CSV PDF JSON等）的数据读取为LangChain的文档格式，这样子确保了无论数据的来源如何，都能对其进行一致性的处理，需要实现BaseLoader接口   CLass Document是LangChain内文档的统一载体，所有文档加载器最终返回的都是
AI--LangChain会话记忆
AI–LangChain会话记忆1.Memory临时会话记忆  在大模型的使用中，免不了要封装历史记录的功能，而除了自行维护历史消息外，也可以借助LangChain内置的历史记录附加功能，LangChain提供了History功能，帮助模型在有历史记忆的情况下进行回答 RunnableWithMessageHistory   在原有链的基础上创建带有历史
AI--LangChain的链
LangChain的链1.[扩展]或运算符的重写  在前文中，我们有提到一串使用了链的代码： 1chain = chat_template | model   其本质是在语法上使用了丨运算符的重写，在python中，运算符（如 +、|）的行为由类的魔法方法决定的（什么是魔法方法可以查看Python中的总结），例如图： a + b本质是调用的 a.add(
AI--LangChain提示词模版
AI–LangChain提示词模版1.PromptTemplate  PromptTemplate：通用提示词模版，支持动态注入信息   提示词优化在模型应用中非常重要，LangChain提供了PromptTemplate类，用来协助优化提示词，PromptTemplate表示提示词模版，可以构建一个自定义的基础提示词模版，支持变量的注入，最终生成所需要的提