付費限定
16. Langchain让AI拥有记忆力
閱讀時間約 47 分鐘
你好，我是茶桁。
在之前的两讲中，我们深入了解了 Langchain 的 LLMChain 核心功能，它可以帮助我们链式地调用一系列命令，包括直接调用 OpenAI 的 API、调用其他外部接口或自己实现的 Python 代码。但这只是完成一个小任务所需的调用序列。除了这些，LangChain 还封装了许多其他功能，以便于我们开发 AI 应用。例如，让 AI 有“记忆力”，即记住我们的聊天上下文。我们在第 6 讲中制作的聊天机器人的例子就是这样。为了让 ChatGPT 知道整个聊天的上下文，我们需要将历史对话记录传递给它。但由于 Token 数量有限，我们只能保留最后几轮对话。最终，我们将此功能抽象为一个 Conversation 类。
以行動支持創作者！付費即可解鎖
本篇內容共 18952 字、0
則留言，僅發佈於从零开始接触人工智能大模型你目前無法檢視以下內容，可能因為尚未登入，或沒有該房間的查看權限。
留言0
查看全部
你可能也想看
Google News 追蹤
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
在 AI說書 - 從0開始 - 206 | OpenAI ChatGPT 使用 中，我們要求 ChatGPT 使用 Python 程式產生費波南西序列，我們可以將此段程
最近在上LLM線上課 來分享我所學到的 LangChain LangChian是把ChatGPT API 轉換為物件導向的形式來使用我所學到 LangChain 的五個方法 : Prompt Template / LLMChain / OutputParser / Agent / Conversat
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
延續 xxx ，ChatGPT 除了產生程式周邊的文字描述，事實上它還會回覆程式語法的指令 :
!pip install scikit-learn
import nu
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
想要操作ChatGPT，我們可以參考OpenAI的範例：
https://platform.openai.com/examples/default-sql-trans
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
我們已經在AI說書 - 從0開始 - 18中，介紹了OpenAI的GPT模型如何利用Inference的Pipeline產生Token。
完整Pipeline可能
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
我們已經在AI說書 - 從0開始 - 17中，介紹了大型語言模型 (LLM)世界裡面常用到的Token，現在我們來談談OpenAI的GPT模型如何利用Inference
延續使用Meta釋出的模型，實作Chat GPT - Part 4，我們現在遇到一個問題：語言模型回答的資訊不是我想要的。
於是我參照ChatGPT回答不是你要的怎麼辦？，想使用低成本的技術：RAG，來改善這問題。
以下開始實作，首先引入一個重量級工具包，它叫做LangChain，這是做語言模型
ChatGPT 是 OpenAI 開發的大型語言模型，以其強大的生成能力和對話能力而聞名。 ChatGPT 的訓練過程主要分為兩個階段：預訓練和微調。 微調使用了 RLHF（Reinforcement Learning from Human Feedback）技術，可以有效地提高模型生成內容的質量。
本文介紹「思維鏈」（Chain of Thought，CoT）的提問技巧，探討其如何影響ChatGPT等生成式AI工具的表現。由於「思維鏈」能使機器人模仿人類推理的過程，因此，建議在使用大型語言模型進行提示工程時加入類似「讓我們循序思考」等提示詞，以提高多步驟問題的解決能力。
大家好，我是萊丘，今天要與大家分享的是 OpenAI最新公布的AI提示詞生成指南。這份指南分成六大要點，幫助我們如何有效地跟ChatGPT互動，就算你不會寫 code 也可以輕鬆掌握。
要點一：指令清晰且具體
大家都知道，ChatGPT 雖然聰明，但它不是讀心術的高手，所以我們需
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
在 AI說書 - 從0開始 - 206 | OpenAI ChatGPT 使用 中，我們要求 ChatGPT 使用 Python 程式產生費波南西序列，我們可以將此段程
最近在上LLM線上課 來分享我所學到的 LangChain LangChian是把ChatGPT API 轉換為物件導向的形式來使用我所學到 LangChain 的五個方法 : Prompt Template / LLMChain / OutputParser / Agent / Conversat
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
延續 xxx ，ChatGPT 除了產生程式周邊的文字描述，事實上它還會回覆程式語法的指令 :
!pip install scikit-learn
import nu
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
想要操作ChatGPT，我們可以參考OpenAI的範例：
https://platform.openai.com/examples/default-sql-trans
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
我們已經在AI說書 - 從0開始 - 18中，介紹了OpenAI的GPT模型如何利用Inference的Pipeline產生Token。
完整Pipeline可能
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
我們已經在AI說書 - 從0開始 - 17中，介紹了大型語言模型 (LLM)世界裡面常用到的Token，現在我們來談談OpenAI的GPT模型如何利用Inference
延續使用Meta釋出的模型，實作Chat GPT - Part 4，我們現在遇到一個問題：語言模型回答的資訊不是我想要的。
於是我參照ChatGPT回答不是你要的怎麼辦？，想使用低成本的技術：RAG，來改善這問題。
以下開始實作，首先引入一個重量級工具包，它叫做LangChain，這是做語言模型
ChatGPT 是 OpenAI 開發的大型語言模型，以其強大的生成能力和對話能力而聞名。 ChatGPT 的訓練過程主要分為兩個階段：預訓練和微調。 微調使用了 RLHF（Reinforcement Learning from Human Feedback）技術，可以有效地提高模型生成內容的質量。
本文介紹「思維鏈」（Chain of Thought，CoT）的提問技巧，探討其如何影響ChatGPT等生成式AI工具的表現。由於「思維鏈」能使機器人模仿人類推理的過程，因此，建議在使用大型語言模型進行提示工程時加入類似「讓我們循序思考」等提示詞，以提高多步驟問題的解決能力。
大家好，我是萊丘，今天要與大家分享的是 OpenAI最新公布的AI提示詞生成指南。這份指南分成六大要點，幫助我們如何有效地跟ChatGPT互動，就算你不會寫 code 也可以輕鬆掌握。
要點一：指令清晰且具體
大家都知道，ChatGPT 雖然聰明，但它不是讀心術的高手，所以我們需