О чём урок
Adaptive RAG — это стратегия для RAG, которая объединяет (1) анализ запросов с (2) активным / самокорректирующимся RAG. В статье они сообщают об анализе запросов для маршрутизации по: Без извлечения (ответы LLM) Однократный RAG Итеративный RAG Мы будем использовать Command R+, недавний релиз от Cohere, который: Обладает высокой точностью в RAG, использовании инструментов и агентах Имеет контекст 128k Сохраните свои учетные данные в файле .env в корневом каталоге пользователя, чтобы вы могли безопасно их извлекать Агент ReAct будет оснащен этими инструментами. Модель может выбирать между веб-поиск RAG: извлечение из векторного хранилища пользовательский инструмент (вызов внешнего API) прямой ответ Модель может использовать любой из этих инструментов, в любой последовательности шагов, и саморефлексировать. Определите функцию Определите пользовательский инструмент Модель может разумно выбирать подходящие инструменты для запроса пользователя, вызывать их в любой последовательности шагов, анализировать результаты и саморефлексировать. Давайте зададим вопрос, требующий веб-поиска. Давайте зададим вопрос, требующий извлечения RAG из векторной базы данных. Давайте зададим вопрос, требующий рыночной капитализации. Давайте зададим вопрос, требующий интернет-поиска.
План урока
- Инструмент веб-поиска
- Инструмент интерпретатора Python
- Инструмент RAG
- Пользовательский инструмент для рыночной капитализации
Урок входит в полный доступ. Полный текст и видео открываются после оплаты. Первые уроки каждого курса бесплатны.