rag coding assistant

ภาพรวม

ผู้ช่วยการเข้ารหัส RAG เอาต์พุตรหัสการทำงานในภาษานิพจน์ Langchain (LCEL) เพื่อพัฒนาต้นแบบ AI รุ่นใหม่อย่างรวดเร็ว

GPT-4 ไม่ได้มีความรู้เกี่ยวกับ LCEL ในข้อมูลการฝึกอบรมดังนั้นเครื่องมือนี้ใช้เทคนิคการเรียกคืนแบบสืบค้นแบบกำหนดเอง (RAG) เพื่อระบุ ตัวอย่างการเข้ารหัสที่เกี่ยวข้อง และเพิ่มเข้ามาในหน้าต่างบริบทเป็นตัวอย่างไม่กี่ตัวอย่าง

มันทำงานอย่างไร

• ไดเร็กทอรี /data มีตัวอย่างรหัสการทำงานและเนื้อหาเมตาบางส่วนเพื่อช่วยในการดึงข้อมูล
• ตัวอย่างโค้ดทั้งหมดจากไดเร็กทอรี /data จะถูกฝังอยู่ในฐานข้อมูลเวกเตอร์ทอผ้าทอ
• เมื่อคุณให้คำแนะนำแก่ผู้ช่วยสำหรับห่วงโซ่ที่คุณต้องการพัฒนาผู้ช่วยดึงตัวอย่างที่เกี่ยวข้องจาก Weaviate และเพิ่มเป็นบริบทของคำขอของคุณ
• Assisant จะส่งออกรหัสการทำงานใน LCEL ตามข้อกำหนดของคุณ

คุณสามารถอ่านเกี่ยวกับกระบวนการในรายละเอียดเพิ่มเติมเกี่ยวกับ SUDTACK

หรือดูวิดีโอคำแนะนำ

สถานะปัจจุบัน

นี่คือต้นแบบการทำงานที่ออกแบบมาเพื่อการพัฒนาในท้องถิ่น

การปรับปรุงที่เป็นไปได้

1. ปรับปรุงกระบวนการฝังและการดึงข้อมูล: เพื่อให้ได้การแข่งขันที่มีคุณภาพสูงฉันแค่ฝังคำอธิบายชวเลขสำหรับแต่ละตัวอย่างรหัสที่แยกข้อมูลเฉพาะของวิธีการ ดูตัวอย่างด้านล่างที่คำอธิบายที่ใช้ในการฝังเป็นเวอร์ชันสั้นลงของความคิดเห็นรหัสเต็มในรหัสตัวอย่าง:

    """
   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?")
   

   เมื่อมีตัวอย่างเพียงพอแล้วฉันอาจสำรวจการสร้างแบบจำลองที่ปรับแต่งเพื่อแปลงความคิดเห็นของรหัสโดยละเอียดเป็นคำอธิบายการจดชวเลขนั้นเพื่อฝังตัวอย่างโค้ดทั้งสองรวมถึงคำขอของผู้ใช้

2. ขยายสิ่งนี้นอกเหนือจาก LCEL - ฉันรวมตัวเลือกไว้ในแท็กตัวอย่างรหัสเพื่อระบุเทคโนโลยีหรือคำหลัก สิ่งเหล่านี้สามารถใช้เป็นตัวกรองที่แข็งในแบบสอบถามทอ แต่ตอนนี้ฉันไม่ได้ใช้งานเนื่องจากผลลัพธ์ค่อนข้างแม่นยำ แต่มันอาจจำเป็นต้องมีความจำเป็นเมื่อไดเรกทอรีตัวอย่างเติบโตขึ้น