LangChain Documentation Helper

Langchain -Dokumentation Helfer

Langchain ist de facto, um LLM -basierte Anwendungen auf dem Rahmen zu bauen. Es gewinnt in letzter Zeit in letzter Zeit massive Popularität für Entwickler, die in KI (künstliche Intelligenz) eingehen und AI -basierte Anwendungen aufbauen möchten.

Ich habe eine sehr einfache Langchain -Node.JS -Dokumentation Helfer App unter Verwendung von LLM (großes Sprachmodell) erstellt. Wir werden in der Lage sein, einige Fragen zu stellen und Antworten zu erhalten. Sie werden sehen, wie wir unsere verschiedenen Dateien in Stücke aufteilen und sie mithilfe von Einbettungen in eine Vektordatenbank einfügen. Wir verwenden die Pnecone -Vektor -Datenbank. Dann erstellen wir eine Kette, die die Abfrage (Eingabeaufforderung) nimmt, sie als Vektor einbettet, dann ein paar Vektoren, die dem Abfragevektor semantisch am nächsten stehen, und zurückgibt. Diese relevanten Brocken können die Antwort enthalten oder eine hohe Wahrscheinlichkeit haben, die Antwort zu enthalten, und nur diese Stücke werden an die LLM gesendet. Auf diese Weise tätigen wir nur ein paar API -Anrufe oder sogar einen und können viel Geld sparen und viel schneller eine Antwort erhalten und keine redundante Arbeit erledigen. Daher übergeben wir die Eingabeaufforderung plus die relevanten Brocken (Kontext) an die LLM, um die Antwort zu erhalten.

Wir können auch Quelldokumente anzeigen, mit denen wir die Antwort abrufen. Dies kann nützlich sein, wenn wir dem Benutzer erlauben möchten, die Quellen zu sehen, die zur Generierung der Antwort verwendet werden.

Wir möchten auch, dass unser Chat die Möglichkeit hat, sich an Dinge zu erinnern und zu verweisen, die wir in der Vergangenheit gefragt haben, wenn wir mit Chatgpt sprechen.

Anfangen.

       Clone the repository

       git clone https://github.com/Ashot72/LangChain-Documentation-Helper
       cd LangChain-Documentation-Helper

       Add your keys to .env file
       
       # installs dependencies
       npm install

       # to embed
         npm run embed
         
       # to run locally
         npm start
      

Gehen Sie zur Langchain -Dokumentation Helfer Videoseite

Gehen Sie zur Langchain -Dokumentation Helfer Beschreibung Seite