genai cookbook
1.0.0
Генеративный искусственный интеллект (Genai) быстро трансформирует различные области, внедряя беспрецедентные уровни новизны, творчества и производительности, «создавая самый большой технологический сдвиг в нашей жизни». Благодаря своей способности реагировать на инструкции по естественному языку, похожие на человека, Genai добавляет новое интерактивное измерение в приложения AI. Он генерирует новый контент - текст, аудио, изображения и видео - от существующих данных, достигая ранее невообразимых. Кроме того, Genai превосходен в производительности, опережая людей в некоторых задачах по скорости и эффективности.
Добро пожаловать в кулинарную книгу Genai, смесь практических рецептов и руководств для использования LLMS. Эта коллекция охватывает широкий спектр приложений обработки естественного языка (NLP) с использованием языковых моделей:
Стратегии подсказки LLM . Примеры для подготовки методов поведения DSPY Структура : Исследуйте альтернативы для быстрого разработки с декларативными и программными подходами к программированию LLMS Простые чат-боты . Формат и тональность, расширяющая функциональность LLM : используйте агенты и функции для расширения возможностей путем взаимодействия с внешними инструментами и источниками данных с использованием ведущих языковых моделей : практические руководства для использования моделей и платформ вывода от Openai, Anpropic, Gemini, Meta, любых конечных точек, Ollama и Databricks.
Эта книга, предназначенная для начинающих разработчиков, содержит пример кода и практические руководства, демонстрируя, как использовать API и фреймворки с ведущих платформ. Начните свое путешествие и обнаружите потенциал Genai.
Чтобы попробовать эти примеры, вам понадобится учетная запись OpenAI и связанный ключ API, ANPROPIC, PINECONE, Datrabricks Data Intelligent Platform или Antycale Endpoint Account и связанный ключ. Более того, установите Ollama на свой ноутбук.
Все примеры и записные книжки находятся в Python, однако концепции могут быть адаптированы к любому языку программирования, если вы можете делать вызовы API REST на целевом языке или использовать SDK целевого языка.
Некоторые примеры в этой кулинарной книге вдохновлены (некоторые модифицированные, расширенные или скопированные) из этих ресурсов, включая:
| Имена каталогов | Описание |
|---|---|
| Genai_intro | Общее введение в Genai, Foundation Models, GPTS |
| агенты | Какие агенты, развивающийся агент архиктю, зачем их использовать и как писать агенты |
| помощники | Помощники OpenAI расширяют функциональность LLM для работы и взаимодействия с внешними инструментами, обеспечивая доступ к внешним сервисам, таким как веб -службы и данные данных. Как работать с ассистентами Openai для реализации агентов |
| чат -боты | Общее приложение в обслуживании клиентов, как писать простые и разговорные чат -боты с LLM, используя методы подсказки |
| DSPY | Быстрый обзор декларативной структуры для программы LLMS: что и почему и как использовать DSPY |
| встраиваемые и вегетардные | Введение в векторные встраивания и их роль в семантических поисках приложений LLM Gen. Векторные встраивания являются центральными для образования увеличения поиска. Изучите общие векторные магазины в качестве реперионов для индексированных документов |
| оценка | Оценка LLM нелегкая и грязная; это может показаться темным искусством. Но некоторые инструменты, такие как Mlflow, обеспечивают эксперименты, ведение журнала, отслеживание и отслеживание для оценки LLMS |
| тонкая настройка | Общее использование LLM для выполнения конкретных задач домена-через тонкую настройку. Почему и когда настраиваться на конкретную доменную задачу для индивидуальных ответов, тона и формата |
| Функциональный обзор | Как использовать как OpenAI, так и с открытым исходным кодом Funciton Calling для расширения функциональности LLM |
| LLM-PROMPTS | Введение в множество технических методов быстрого инженерных технологий с использованием закрытых и открытых моделей LLM |
| тряпки | Образование увеличения поиска (RAG) является Тейлор Свифт приложений LLM; Все хотят их; Все пишут о них; Все строят их. Введение в различные типы тряпок, когда использовать их по тонкому торжеству и как реализовать их для ваших данных, повышение точности и уменьшение галацинаций в ваших ответах |
Поскольку я использую либо openai, anpropic, google gemmini или an -scale конечные точки, я предоставляю соответствующие файлы шаблонов среды: env_anyscale_template , env_anthropic_template , env_google_template и env_openai_template .
Добавьте свои ключи и имя модели в любой из файлов и скопируйте файл в .env в каталог верхнего уровня. Чтобы мигрировать любой код Openai в AnyScale конечные точки, используйте это простое руководство. По большей части миграция бесшовная.
Кроме того, вам понадобятся библиотеки Python. Используйте pip install -r requirements.txt для их установки.
Примечание : не делитесь файлами окружающей среды с ключами API публично.
Я приветствую вклад. Давайте сделаем этот генеративный ресурс разработчиков искусственного интеллекта. Ваш вклад может включать дополнения или расширения этих руководств по праву.
Проверьте существующие проблемы и вытащите запросы, прежде чем внести свой вклад, чтобы избежать дублирования. Если у вас есть предложения для примеров или гидов, поделитесь ими на странице проблем.
Получите веселье! ? ️
Жюль
