質量法與LLM和抹布（檢索增強一代）
該項目是一個問題，該項目與大語言模型（LLMS）和Amazon OpenSearch無服務器服務一起回答應用程序。使用抹布的應用程序（檢索增強生成）方法從企業知識庫或內容中檢索與用戶請求最相關的信息，將其作為上下文捆綁在一起，並作為提示將其捆綁在一起，然後將其發送給LLM以獲取Genai響應。
LLM在輸入提示的最大單詞計數周圍有局限性，因此在企業中選擇了數千或數百萬個文檔中的正確段落，對LLM的準確性有直接影響。
在此項目中，Amazon OpenSearch無服務器服務用於知識庫。
總體架構是這樣的：
總體工作流程
- 部署CDK堆棧（有關更多信息，請參見此處）。
- 文本生成的sagemaker端點。
- 用於生成嵌入的sagemaker端點。
- Amazon OpenSearch無服務器用於存儲嵌入。
- 在Sagemaker Studio中打開Jupyterlab，然後打開一個新的終端。
- 在終端上運行以下命令以克隆此項目的代碼存儲庫：
git clone https://github.com/aws-samples/rag-with-amazon-opensearch-serverless.git
- Open
data_ingestion_to_opensearch_serverless.ipynb筆記本並運行它。 （有關更多信息，請參見此處） - 運行簡化應用程序。 （有關更多信息，請參見此處）
參考
- 使用Amazon Sagemaker，Amazon OpenSearch服務，Sparlit和Langchain構建一個有力的問題，以回答機器人（2023-05-25）
- 使用Amazon Sagemaker Jumpstart在Amazon Sagemaker Studio（2023-06-27）的專有基礎模型（2023-06-27）
- 在Amazon Sagemaker Studio（2023-04-11）中構建精簡應用程序
- 快速使用Amazon Kendra，Langchain和大型語言模型（2023-05-03）在企業數據上構建高準確的生成AI應用程序（2023-05-03）
- 在亞馬遜Sagemaker Jumpstart（2023-05-02）中使用基礎模型的檢索增強一代（2023-05-02）回答問題
- 解釋了Amazon OpenSearch服務的矢量數據庫功能
- Langchain-開發由語言模型提供支持的應用程序的框架。
- 簡化 - 構建和共享數據應用程序的更快方法
- 在亞馬遜OpenSearch服務研討會中提高與ML的搜索相關性 - 模塊7。檢索增強發電
- 抹布 - 與阿馬森·肯德拉（Amazon-Kendra） - 大語模型（LLM）和亞馬遜肯德拉（Amazon Kendra）
- rag-with-with-amazon-postgresql- using-pgvector-用大語言模型（LLMS）和Amazon Aurora PostgreSQL的問答應用程序
- rag-with-amazon-opensearch-用大語言模型（LLMS）和langchain的Amazon OpenSearch服務的問答應用程序
- 帶有大語模型（LLMS）和Amazon OpenSearch Service的Rag-with-with-with-with-with-stack and amazon-opensearch-與Haystack的Amazon OpenSearch服務答案
安全
有關更多信息，請參見貢獻。
執照
該圖書館已獲得MIT-0許可證的許可。請參閱許可證文件。
