trendr bot

Trendr_bot

关于

回答有关Google搜索趋势的自然语言问题。该项目演示了如何通过将大量结构化数据与LLM整合在一起来构建基本的AI代理来回答开放式的自然语言问题。

这是一个逻辑观点：

解释：

• 步骤1：基于用户输入，使用LLM检查相关数据源
• 步骤2：查询匹配的数据源。如果不存在相关的数据源，请告诉用户并纾困。
• 步骤3：采取数据输出结果并提供上下文，要求LLM回答问题
• 步骤4：将结果退还给用户

这是该应用程序部署后的浏览器UI：

演示

尝试在tinyurl.com/trendr-bot上托管的现场演示。

设置

安装所需的软件包：

 pip install -r requirements.txt

根据您的喜好，要么为Google Cloud设置环境变量：

 export GCP_PROJECT=
export GCP_REGION=

或更新config.ini ：

 [Cloud Configs]
GCP_PROJECT = ADD_HERE

该应用程序被部署为简化的Web界面。在本地部署如下：

 streamlit run app.py 
  --browser.serverAddress=localhost 
  --server.enableCORS=false 
  --server.enableXsrfProtection=false 
  --server.port 8080

要在GCP Cloud运行中部署，请在脚本GCP_CLOUD_RUN_DEPLOY.SH中更新变量并执行：

 ./gcp_cloud_run_deploy.sh

用法

应用程序在浏览器中运行后，您可以提出基本问题，例如：

 Question: What are the top 10 trends in the US for the latest available data? Simply list them in bullet points.

回答：

• OJ Simpson
• 皇家马德里vs人城
• 大师2024
• Eclipse 2024
• UFC 300
• 普渡篮球
• 强力球
• PSG与巴塞罗那
• 冠军联赛
• 日食几点

---

或者，您也可以提出更复杂，细微的问题（有限制）：

 Question: Are there noticeable differences in trends between European and Asian countries?

回答：

欧洲和亚洲之间的趋势差异：

根据2024年4月7日一周提供的Google搜索趋势数据，我们可以观察到欧洲和亚洲国家之间的趋势主题有一些明显的差异：

欧洲：

• 足球的主导地位：顶级趋势的很大一部分涉及欧洲足球联赛和比赛，例如冠军联赛（“ Ligue des Champions”，“ LigaMistrzów”等）以及“ Man United vs Liverpool”等特定游戏。这表明欧洲地区对足球的浓厚兴趣。
• 日食的利益：几个欧洲国家对即将到来的日食展示了2024年4月8日的日食，并进行了诸如“ Eclipsa de Soare 2024 Romania”和“ Sonnenfinsternis 2024”之类的搜索。
• 区域活动：一些趋势突出了区域事件或个性，例如“ WyborySamorządowe2024”（波兰地方选举）和“אבשלאבשל”（以色列人的个性）。

亚洲：

• 各种主题：与欧洲相比，亚洲的最高趋势表现出更广泛的兴趣。出席了足球（“曼联乌特利普尔”，“阿森纳”）和日食（“ 2024年4月8日的gerhana matahari”），但也存在娱乐，文化活动和个性的混合。
• 娱乐和文化：诸如“桜花赏”（日本马比赛），“ KKR vs vs CSK”（印度超级联赛板球比赛）和“韩国汉堡王在汉堡王在韩国停产的原因）之类的搜索。
• 宗教观察：“ Idul Fitri 2024”的存在以及在亚洲几个国家中的“ Niat Sholat Idul Fitri”之类的相关搜索表明该地区这个宗教假期的重要性。

结论：

虽然趋势主题有些重叠，尤其是在诸如日食和流行运动之类的重大事件中，欧洲趋势更加倾向于足球，而亚洲趋势则展示了涵盖娱乐，文化和宗教的广泛兴趣。

限制

不要期望任何问题的完美结果。一些限制包括：

• Google趋势公共数据集已零星更新
• 即使是Gemini 1.5 Pro提供的完整的1M上下文窗口也不够大，无法包含全部Google趋势公共数据集，因此在提交进行分析时，通常会截断查询结果
• 在提供的数据点有限的情况下，LLM通常会在趋势的分类或上下文上推测
• 仅基于固有的体系结构，LLM的执行精确计算的能力是有限的
• 执行最多可能需要1分钟。一个简单的优化将是缓存BigQuery结果，但是两个Gemini 1.5 Pro请求（其中第二个具有较大的上下文）将需要一些时间。

技术

• LLM ：Gemini 1.5 Pro（您可以尝试其他LLM，但它们需要一个很大的上下文窗口）
• 数据仓库：BigQuery
• 数据来源：BigQuery Google趋势公共数据集
• 网络框架：简化
• 网络托管（可选） ：GCP云运行