rag coding assistant下载 - rag coding assistant源代码下载

rag coding assistant

其他源码

1.0.0

下载

概述

抹布编码助手以兰链表达语言（LCEL）输出工作代码，以便快速开发新的生成AI原型。

GPT-4目前在其培训数据中尚不了解LCEL，因此该工具使用自定义检索型生成（RAG）技术来识别相关，完整的编码示例，并将它们添加到上下文窗口中，将其添加到少量示例中。

它如何工作

/data目录填充有效的代码示例和一些元内容以帮助检索
/data目录中的所有代码示例都嵌入编织矢量数据库中
当您向助手提供您想开发的连锁店的说明时，助手从编织中检索相关示例，并将其作为上下文添加到您的请求中
Assisant将根据您的规格在LCEL中输出工作代码

您可以在替代方面更详细地阅读有关该过程的信息。

或观看视频演练。

当前状态

这是一个专为本地开发设计的工作原型。

可能的改进

改进嵌入和检索过程：为了获得高质量的匹配，我只嵌入每个代码示例的速记说明，以提取方法的关键细节。请参阅下面的一个示例，其中嵌入中使用的描述是示例代码中的完整代码注释的缩短版本：

 """
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?")

一旦有足够的示例，我可能会探索创建一个微调模型，以将详细的代码注释转换为速记说明，以便嵌入代码示例以及用户请求。