rag coding assistant

ملخص

يقوم مساعد ترميز الخرق بإخراج رمز العمل في لغة تعبير Langchain (LCEL) من أجل تطوير نماذج أولية جديدة للذكور.

لا تملك GPT-4 حاليًا أي معرفة بـ LCEL في بيانات التدريب الخاصة بها ، لذلك تستخدم هذه الأداة تقنية توليد (RAG) المخصصة للاسترجاع (RAG) لتحديد أمثلة الترميز ذات الصلة وإضافتها إلى نافذة السياق كأمثلة قليلة.

كيف تعمل

• يتم ملء دليل /data بأمثلة من رمز العمل وبعض محتوى التعريف للمساعدة في الاسترجاع
• يتم تضمين جميع أمثلة الكود من دليل /data في قاعدة بيانات متجه Weaviate
• عندما تقدم تعليمات للمساعد لسلسلة ترغب في تطويرها ، يقوم المساعد باسترداد الأمثلة ذات الصلة من Weaviate ويضيفها كسياق لطلبك
• سيقوم المتوجهون بإخراج رمز العمل في LCEL وفقًا لمواصفاتك

يمكنك أن تقرأ عن العملية بمزيد من التفصيل على Substack.

أو شاهد مقطع فيديو تجول.

الوضع الحالي

هذا نموذج أولي يعمل المصمم للتنمية المحلية.

التحسينات المحتملة

1. تحسين عملية التضمين والاسترجاع: للحصول على مطابقات عالية الجودة ، أقوم فقط بتضمين وصف اختصار لكل مثال رمز يستخرج التفاصيل الرئيسية للنهج. راجع مثال أدناه حيث يكون الوصف المستخدم في التضمين هو إصدار مختصر من تعليقات الرمز الكامل في رمز المثال:

    """
   tags: [langchain, rag]
   description: |
       - Accept string
       - Retrieve matching documents using DocArrayInMemorySearch vectorstore
       - Format single prompt
       - Parse response as string
   """
   
   # Create a chain that does the following:
   # - Accept a string as input
   # - Retrieve matching documents from a DocArrayInMemorySearch vectorstore, and pass through the results and the original question to a prompt
   # - Format the prompt using variables from the object
   # - Pass the prompt to OpenAI
   # - Parse the OpenAI response as a string
   
   from langchain.chat_models import ChatOpenAI
   from langchain.embeddings import OpenAIEmbeddings
   from langchain.prompts import ChatPromptTemplate
   from langchain.schema.output_parser import StrOutputParser
   from langchain.schema.runnable import RunnableParallel, RunnablePassthrough
   from langchain.vectorstores import DocArrayInMemorySearch
   
   vectorstore = DocArrayInMemorySearch.from_texts(
       ["Lisa likes cooking", "Bears like honey"],
       embedding=OpenAIEmbeddings(),
   )
   retriever = vectorstore.as_retriever()
   
   template = """Answer the question:
   {context}
   
   Question: {question}
   """
   prompt = ChatPromptTemplate.from_template(template)
   model = ChatOpenAI()
   output_parser = StrOutputParser()
   
   setup_and_retrieval = RunnableParallel(
       {"context": retriever, "question": RunnablePassthrough()}
   )
   
   chain = setup_and_retrieval | prompt | model | output_parser
   
   chain.invoke("What does Lisa like?")
   

   بمجرد وجود أمثلة كافية ، قد أستكشف إنشاء نموذج تم ضبطه لتحويل تعليقات الكود التفصيلي إلى هذا الوصف المختصر من أجل تضمين أمثلة الكود وكذلك طلب المستخدم.

2. قم بتوسيع هذا إلى ما وراء LCEL - قمت بتضمين خيار في علامات Meta Meta Measouck لتحديد التقنيات أو الكلمات الرئيسية. يمكن استخدامها كمرشحات صلبة في استعلام Weaviate ، لكنني لا أستخدمها حاليًا لأن النتائج دقيقة حاليًا. ولكن يمكن أن يصبح ضروريًا مع نمو دليل المثال.