GenAI Showcase
1.0.0
Generative AI -Anwendungsfälle Repository Willkommen zum Generativ -AI -Anwendungsfall -Repository! Diese umfassende Ressourcen präsentiert hochmoderne Anwendungen in der generativen KI, einschließlich der Abruf von ARAVURAL-AUGmented Generation (RAG), AI-Agenten und branchenspezifischen Anwendungsfällen. Entdecken Sie, wie sich MongoDB in Rag -Pipelines und AI -Agenten integriert und als Vektordatenbank, Betriebsdatenbank und Speicheranbieter dient.
Schlüsselmerkmale:
Dieser Abschnitt enthält Beispiele für Anwendungsfälle, die in branchenorientierten Szenarien und allgemeinen Anwendungen häufig zu sehen sind. Jeder Eintrag in der Tabelle enthält eine Beschreibung und Links zu Beispielen auf Produktionsebene und relevantem Code.
| Anwendungsfall | Stapel | Link | Beschreibung |
|---|---|---|---|
| Kundensupport Chatbot | JavaScript, Openai, MongoDB | Das MongoDB -Chatbot -Framework bietet Bibliotheken, die die Erstellung von anspruchsvollem Chatbot ermöglichen | |
| HR Support Chatbot | Langgraph.js, Anthropic, Openai, MongoDB | Erstellen Sie einen AI-betriebenen HR-Assistenten mit Langgraph.js und MongoDB | |
| Trip Advisor - Laravel, Openai und Atlas | PHP (Laravel), Openai, MongoDB | Nutzen Sie PHP, Laravel und OpenAI, um suphistische Empfehlungsmotoren aufzubauen | |
| MongoDB AI Framework | Schlüsselkomponenten der KI -Stapel | Das MAAP -Framework ist eine Reihe von Bibliotheken, mit denen Sie Ihre Lag -Anwendung mit MongoDB- und Atlas -Vektor -Suche und zugehörigen MAAP -Partnern erstellen können | |
| MongoDB- und Buildship -Agenten | MongoDb Atlas, Gebäudeschiff-Low-Code, Anthropic | Dieser Leitfaden zeigt, wie ein KI-Agent für die Behandlung von Mietbuchungsworkflows mithilfe der Nogodb-Aggregation von Buildships und Integrationen erstellt wird. |
| Titel | Stapel | Colab | Artikel |
|---|---|---|---|
| RAG mit Lama3, umarmtes Gesicht und MongoDB | Umarmung Face, llama3, MongoDB | ||
| So bauen Sie ein Lappensystem mit Claude 3 Opus und MongoDB | MongoDB, Anthropic, Python | ||
| So bauen Sie ein Lappensystem mit dem Polm AI -Stapel | Polm (Python, Openai, Llamaindex, MongoDB) | ||
| MongoDB Langchain Cache Memory Python Beispiel | Polm (Python, Openai, Langchain, MongoDB) | ||
| MongoDB Langchain Cache Speicher JavaScript Beispiel | JavaScript, Openai, Langchain, MongoDB | ||
| Beispiel für naive Lag -Implementierung | Polm (Python, Openai, Llamaindex, MongoDB) | ||
| OpenAI -Textbettbettungsbeispiel | Python, MongoDB, Openai | ||
| Lappen mit umarmtem Gesicht und MongoDB -Beispiel | Umarmt Gesicht, Gemma, MongoDB | ||
| Chatten Sie mit PDF -Beispiel | Python, MongoDb, Openai, Langchain | ||
| Lappenpipeline | Python, MongoDB, Gemma2, Keranlp | ||
| Lag -Pipeline mit offenen Modellen | Python, MongoDB, Gemma2, umarmtes Gesicht | ||
| Kochberater von MongoDb und Haystack | Python, Haystack, Openai | ||
| MongoDB und semantischer Kernel Filmempfehlung Bot | C# Konsolen -App, MongoDB, Semantic Kernel, Azure Openai oder Openai | Github Repo | Artikel anzeigen |
| Erstellen Sie einen Asset Manager Rag Chatbot | Cohere, MongoDB, Python | Bald kommen | |
| Asset Manager Chatbot mit LLM Evals und Moderation | Gemma 2b, ShieldgeMma, MongoDB, Python | ||
| Lyrische semantische Suche mit MongoDB und Frühlings -AI | Java, Spring AI, Openai, MongoDB | Github Repo | |
| Terraforming AI Workflows: Lappen mit MongoDb Atlas und Frühlings -AI | Java, Spring AI, Openai, MongoDB, Terraform | Github Repo |
Ein Agent ist eine künstliche Computereinheit mit einem Bewusstsein für seine Umgebung. Es ist mit Fakultäten ausgestattet, die die Wahrnehmung durch Input, Aktion durch Werkzeuggebrauch und kognitive Fähigkeiten durch Grundmodelle ermöglichen, die durch Langzeit- und Kurzzeitgedächtnis unterstützt werden. Innerhalb von AI sind Agenten künstliche Einheiten, die intelligente Entscheidungen treffen können, die von Aktionen basieren, die auf Umweltwahrnehmung basieren und durch Großsprachenmodelle ermöglicht werden.
| Titel | Stapel | Colab Link | Artikellink |
|---|---|---|---|
| Sicherheitsassistent der Agentenfabrik | Langgraph, Open AI, MongoDB, Langchain | ||
| AI -Forschungsassistent | Feuerwerk AI, MongoDB, Langchain | ||
| KI -Investitionsforscher | MongoDb, Crewai und Langchain | ||
| Agentenlappen: Empfehlungssystem | Claude 3.5, Llamaindex, MongoDB | ||
| Agentic HR Chatbot | Claude 3.5, Langgraph, MongoDB | Bald kommen | |
| AWS -Grundgestein Agent | Claude 3, AWS -Grundgestein, Python, MongoDB | ||
| Asset Manager Assistent | Langgraph, Openai, Anthropic, MongoDB | ||
| Implementierung des Arbeitsspeichers mit Tavily und MongoDB | Python, Tavily, MongoDB | ||
| KI -Lebensmittelassistent | Semantischer Kernel, C#, Openai, MongoDB | Github Repo | Bald kommen |
Dieser Ordner enthält alle traditionellen Tutorials für maschinelles Lernen. Dazu gehören wichtige Erklärungen, Schritt-für-Schritt-Anweisungen und alles, was ein Leser benötigt, um erfolgreich dem Tutorial von Anfang bis Ende zu folgen.
| Titel | Colab Link |
|---|---|
| Geschrieben in den Sternen: Vorhersagen Sie Ihre Zukunft mit TensorFlow und MongoDB -Diagrammen |
Diese mongoDB -spezifischen Tutorials sollen eine bestimmte MongoDB -Plattform zeigen, die in künstliche Intelligenz oder maschinelles Lernen integriert ist. Diese Schritt-für-Schritt-Tutorials ermöglichen es dem Leser, nicht nur die Plattform, sondern auch die KI-Anwendungsfall-Fall wirklich zu verstehen.
| Titel | Colab Link |
|---|---|
| Aperol Spritz Sommer mit MongoDB -Geospatial -Abfragen und Vektorsuche | |
| SIP, SWIG und Such mit Dramatikern, OpenAI und MongoDB Atlas Search | |
| Quantisierte Vektoren mit Cohere und MongoDB aufnehmen | |
| Bewertung quantisierter Vektoren gegenüber nicht quantisierten Vektoren mit MongoDB |
Workshops sind so konzipiert, dass die Lernenden durch den Schritt-für-Schritt-Prozess der Entwicklung von LLM-Anwendungen führen. Diese Workshops umfassen wesentliche Erklärungen, Definitionen und Ressourcen, die innerhalb der Notebooks und Projekte bereitgestellt werden. Jeder Workshop ist strukturiert, um grundlegendes Wissen aufzubauen und schrittweise zu komplexeren Themen voranzukommen. Praktische Übungen und Beispiele in der Praxis stellen sicher, dass die Lernenden die Konzepte effektiv anwenden können, was das Verständnis der Integration und Bereitstellung generativer KI-Anwendungen erleichtert.
| Titel | Colab Link |
|---|---|
| Pragmatische LLM -Anwendungsentwicklung: Von Lag -Pipelines bis AI -Agent | |
| Erstellen von Chatbots mit NextJS- und Atlas -Vektor -Suche |
Nützliche Tools und Dienstprogramme für die Arbeit mit generativen KI -Modellen:
Im Folgenden finden Sie verschiedene Datensätze mit Einbettungen zur Verwendung in LLM -Anwendungs -POCs und Demos. Alle Datensätze können auf ihre jeweiligen umarmenden Gesichtsseiten zugegriffen und heruntergeladen werden.
| Datensatzname | Beschreibung | Link |
|---|---|---|
| Cosmopedia | Chunked Version einer Untergruppe des Datenkosmopedia -Datensatzes | |
| Filme | Western, Action- und Fantasy -Filme, einschließlich Titel, Veröffentlichungsjahr, Besetzung und OpenAI -Einbettungen für die Vektorsuche. | |
| Airbnb | Airbnb Listings Dataset mit Eigenschaftsbeschreibungen, Bewertungen, Metadaten und Einbettungen. | |
| Tech News | Tech -Nachrichtenartikel von 2022 und 2023 über wertvolle Technologieunternehmen. | |
| Restaurant | Restaurantdatensatz mit Standort, Küche, Bewertungen, Attributen für Branchenanalysen, Empfehlungen und geografische Studien. | |
| Subset Arxiv Papers | Diese ARXIV-Untergruppe verfügt über 256-dimensionale OpenAI-Einbettungen für jeden Eintrag, der durch Kombination von Titel, Autoren und Zusammenfassung erstellt wurde. |
Gedankenführung in KI ist keine Option, wir nehmen es ernst. Aus diesem Grund haben wir Artikel und Stücke kuratiert, die unser Team erstellt haben, um Ihre Konversation zu liefern und mit den richtigen Informationen ausgestattet zu sein, um wichtige Entscheidungen beim Erstellen von KI-Produkten zu treffen.
| Titel | Link |
|---|---|
| Was ist ein KI -Stack? | |
| So optimieren Sie LLM -Anwendungen mit Eingabeaufforderungkomprimierung mit Llmlingua und Langchain | |
| Was ist die Suche nach Atlas Vektor | |
| So wählen Sie die richtige Chunking -Strategie für Ihre LLM -Anwendung aus | |
| So wählen Sie das richtige Einbettungsmodell für Ihre LLM -Anwendung aus | |
| So bewerten Sie Ihre LLM -Anwendung |
Wir begrüßen Beiträge! Bitte lesen Sie unsere Beitragsrichtlinien für weitere Informationen zur Teilnahme.
Dieses Projekt ist unter der MIT -Lizenz lizenziert.
Wenden Sie sich gerne nach Fragen oder Vorschlägen:
