الصفحة الرئيسية>المتعلقة بالبرمجة>مكونات الطرف الثالث
تنزيل

بناء راغاي

وصف

يسعى هذا المشروع إلى تعليمك كيفية بناء تطبيقات Python مع وظائف الذكاء الاصطناعي التوليدي باستخدام مكتبات Langchain و Transformers.

في حين أن هناك قسمًا لـ Openai ، إلا أن معظم الكود الموجود سابقًا كان هناك إعادة استخدام ودمج مع مكتبات Langchain أو Transformers. يتضمن هذا المشروع قصاصات الرمز ، وأمثلة الحزم ، وأجهزة الكمبيوتر المحمولة Jupyter التي يمكنك زيادة أو نسخ أو التعلم من على التوالي.

إذا كنت جديدًا في بناء التطبيقات التي تعمل بالطاقة الذكاء ، أقترح عليك البدء باللعب مع الكود وتنفيذه في دفاتر Langchain. إن رؤية الكود في العمل ، وتحريره بنفسك ، وتفكير الأفكار الجديدة بشكل خلاق هو أفضل طريقة للتعلم.

جدول المحتويات

ستجد أدناه روابط إلى ، وأوصاف ، أقسام من هذا المشروع لسهولة التنقل.

هذا ReadMe:

  • ابدء
  • تثبيت
  • رخصة

لانجشين:

  • قصاصات الكود: هنا ستجد مكونات Python قابلة للتوصيل.

    • bufferwindow_memory.py: مكون ذاكرة بسيط يمكن استخدامه في محادثة langchain.
    • chatopenai.py: مكون LLM بسيط يمكن استخدامه لإرجاع رسائل الدردشة.
    • multi_queryvector_retrieval.py: مكون مسترد متقدم يجمع بين قوة الاسترجاع متعدد المستويات واسترجاع المستويات المتعددة.

  • دفاتر الملاحظات: ستجد هنا دفاتر Jupyter التي توجهك من خلال استخدام العديد من فئات Langchain المختلفة.

    • DergedDataloader: تعلم كيفية تضمين مصادر بيانات متعددة والاستعلام عنها عبر MergedDataLoader . في هذا الكمبيوتر الدفتري ، نتعلم كيفية استنساخ مستودعات Github وكشط وثائق الويب قبل تضمينها في ناقل متجه نستخدمه بعد ذلك كمسترد. في نهاية الأمر ، يجب أن تكون مرتاحًا باستخدام أي مصادر كسياق في مشاريع الخرقة الخاصة بك.
    • أدوات مخصصة: تعلم كيفية إنشاء واستخدام أدوات مخصصة في وكلاء Langchain.
    • توليد الصور وتوليد الفيديو + توليد الفيديو: تعلم إنشاء وكيل يختار الأداة التوليدية التي يجب استخدامها بناءً على المطالبة. يبدأ هذا المثال بإنشاء الوكيل صورة بعد تحسين موجه المستخدم.
    • تجول Langsmith: تعلم كيفية استخدام تتبع Langsmith وسحب المطالبات من Langsmith Hub.
    • الجيل المعزز للاسترجاع: ابدأ بالجيل المعزز للاسترجاع لتعزيز أداء LLM الخاص بك.
    • MongoDB Rag: أداء البحث عن التشابه ، تصفية البيانات الوصفية ، وإرسال الأسئلة مع MongoDB.
    • Pinecone و Chromadb: تجول أكثر أساسية ولكن شاملة لإجراء جيل معزز للاسترجاع مع اثنين من المتجهات المختلفة.
    • Faiss و HuggingfaceHub: تعلم كيفية استخدام فهارس FAISS للبحث عن التشابه مع تضمينات HuggingFaceHub. هذا المثال هو خيار صديق للخصوصية ، حيث يتم تشغيل كل شيء محليًا. لا مطلوب وحدة معالجة الرسومات!
    • Runnables والسلاسل (لغة تعبير Langchain): تعلم الفرق وكيفية استخدام المواد الدراسية والسلاسل في Langchain. هنا سوف تغوص بعمق في تفاصيلهم.

  • منتهي الأمثلة: هنا ستجد البرامج النصية المصنوعة للعمل خارج الصندوق.

    • خرقة مع الوكلاء: تعلم كيفية استخدام الوكلاء للخرقة.
      • StreamLit chatbot: chatbot البسيطة البسيطة باستخدام Openai.
      • محمل الدليل: استخدم فئة DirectoryLoader لتحميل الملفات للاستعلام.
      • PYPDF DIRECTORY LOADER: استخدم فئة PypdfDirectoryLoader لتحميل الملفات للاستعلام.
      • بحث تشابه Facebook AI: استخدم فئة FacebookAISimilaritySearch لتحميل الملفات للاستعلام.
      • Ragstore Rag: تعلم كيفية استخدام Vectorstores في Langchain.
      • Pinecone: استخدم قاعدة بيانات Pinecone Vector "الفهرس" كمسترد ودردشة مع مستنداتك.

Openai:

  • قصاصات التعليمات البرمجية: ستجد هنا قصاصات الرمز باستخدام مكتبة Openai Python.

    • نص إلى الكلام: استخدم واجهة برمجة تطبيقات Whisper لإنشاء الكلام من النص.

  • دفاتر الملاحظات: ستجد هنا دفاتر Jupyter التي توضح لك كيفية استخدام مكتبة Openai Python.

    • الجيل المعزز للاسترجاع: ابدأ بالجيل المعزز للاسترجاع و pinecone لتعزيز أداء LLM الخاص بك.

محولات:

  • قصاصات التعليمات البرمجية: ستجد هنا قصاصات التعليمات البرمجية باستخدام مكتبة Transformers Python.

    • Dolphin Mixtral: وظيفة بسيطة لإنشاء نص باستخدام pipeline .

  • دفاتر الملاحظات: ستجد هنا دفاتر Jupyter التي توضح لك كيفية استخدام مكتبة Transformers Python.

    • التعرف على الكلام التلقائي: نسخ الكلام باستخدام Whisper-V3 في عرض Gradio.

  • الحزم: هنا ستجد تطبيقات CLI.

    • نسخ الصوت:
      • mictranscription: نسخ الصوت باستخدام الميكروفون.
      • إنشاء المهام: يولد المهام على أساس الصوت المكتوب.
    • تدريب مع التسريع: قم بضبط نموذج تصنيف التسلسل باستخدام التسريع لجعل الأمور تسير بسرعة أكبر.

ابدء

تثبيت

تنفيذ الكود المحلي واختباره

تم تطوير هذا المشروع باستخدام PDM. يمكنك تثبيت PDM باستخدام pip :

ابدأ بالانتقال إلى الدليل الجذر لهذا المشروع ، ثم تشغيل: 

pip install -U pdm

ثم ستحتاج إلى تثبيت التبعيات باستخدام PDM: 

pdm install

سيؤدي هذا الأمر إلى إنشاء بيئة افتراضية في .venv وتثبيت التبعيات في تلك البيئة. إذا كنت على MacOS أو Linux ، فيمكنك تشغيل source .venv/bin/activate لتنشيط البيئة. خلاف ذلك ، يمكنك تشغيل Command .venv/Scripts/activate أو .venv/Scripts/activate.ps1 لتنشيط البيئة.

باستخدام بيئة افتراضية ، نتجنب عبور تلويث بيئة Python العالمية.

بمجرد إعداد بيئتنا الافتراضية ، نحتاج إلى تحديدها ك kernel الخاصة بنا في دفتر Jupyter. إذا كنت في VSCode ، فيمكنك القيام بذلك في الجزء العلوي الأيمن من دفتر الملاحظات. إذا كنت تستخدم IDE مختلفًا ، فستحتاج إلى البحث عن مساعدة الإعداد عبر الإنترنت.

عند اختيار kernel ، تأكد من اختيار واحد موجود داخل دليل .venv ، وليس بيئة Python العالمية.

اختبر دفتر الملاحظات الأول

إذا كنت جديدًا تمامًا في إنشاء تطبيقات مدعومة من الذكاء الاصطناعى مع الوصول إلى البيانات الخارجية ، وتحديداً جيل معزز الاسترجاع ، تحقق من دفتر Rag Basics. إنه دفتر الملاحظات الأكثر وضوحًا ، ومفاهيمه مبنية في كل دفتر ملاحظات "خرقة" آخر.

جوجل كولاب

انقر فوق الشارة أدناه لفتح دفتر Rag Basics في كولاب.

رخصة

يوسع
معلومات إضافية
تطبيقات ذات صلة
نوصي لك
أخبار ذات صلة الكل