How to Implement Agentic RAG Using LangChain: Part 2
了解如何使用实时信息检索和智能代理增强 LLM。
LangChain vs LlamaIndex: Choosing the Right Framework for Your LLM Application
简介：大型语言模型 (LLM) 现在已广泛用于基于聊天机器人的基本用途，但将它们集成到更复杂的应用程序中可能很困难。幸运的是，对于开发人员来说，有一些工具可以简化 LLM 与应用程序的集成，其中最突出的两个是 LangChain 和 LlamaIndex。这两个
AI Agent Workflows: A Complete Guide on Whether to Build With LangGraph or LangChain
深入研究由同一创建者开发的两个库 — LangChain 和 LangGraph：它们的关键构建块、它们如何处理核心功能，以及如何根据你的用例决定使用哪个库语言模型已经为用户如何与 AI 系统交互以及这些系统如何通过自然语言相互通信提供了可能性。当企业想要使用 Agentic AI 功能构建解决方案时，第一个技术问题通常是“我使用什么工具？”对于那些急于入门的人来说，这是第一个障碍。来源：Dalle-3在本文中，我们将探讨用于构建 Agentic AI 应用程序的两个最流行的框架 — LangChain 和 LangGraph。在本文结束时，你应该彻底了解关键构建块，了解每个框架在处理核心功能
在本文中，我们将演示如何部署上下文 AI 助手。我们构建了一个解决方案，使用 Amazon Bedrock 知识库、Amazon Lex 和 Amazon Connect 为用户提供熟悉且方便的界面，并使用 WhatsApp 作为渠道。
在本文中，我们将探讨如何使用新的 EMR Serverless 集成、Spark 的分布式处理以及由 LangChain 编排框架提供支持的 Amazon OpenSearch Service 向量数据库构建可扩展且高效的检索增强生成 (RAG) 系统。此解决方案使您能够处理大量文本数据，生成相关嵌入，并将它们存储在强大的向量数据库中，以实现无缝检索和生成。
From Ephemeral to Persistence with LangChain: Building Long-Term Memory in Chatbots
关于如何将简单的聊天机器人转变为具有长期记忆和情境理解能力的复杂 AI 助手的详细演练继续阅读 Towards Data Science »
Using a JSON Agent with LangChain, LangSmith and OpenAI’s GPT-4o | by Ben Olney | Jul, 2024
欢迎来到我们的 AI 驱动新闻网站，创新与信息在此相遇。在当今快节奏的世界中，保持知情至关重要，我们的平台将新闻消费提升到了一个新的水平。我们先进的算法会精选并提供最相关的故事，确保您收到对您最重要的最新更新。随着技术的发展，我们的帖子也在不断发展，使用 JSON 代理与 LangChain、LangSmith 和 OpenAI 的 GPT-4o | 作者 Ben Olney | 2024 年 7 月首次出现在 AI Quantum Intelligence 上。
How to Implement Agentic RAG Using LangChain: Part 1
了解如何使用实时信息检索和智能代理增强 LLM。
Comparative Analysis of LangChain and LlamaIndex
详细比较分析 LangChain 和 LlamaIndex 在构建和使用 LLM 应用程序方面的差异。
Hitchhiker’s Guide to RAG: From Tiny Files to Tolstoy with OpenAI’s API and LangChain
将简单的RAG管道从简单的笔记缩放到完整的书籍《邮政杂乱的抹布指南：从微小的文件到托尔斯泰》，其中openai的API和Langchain首先出现在数据科学上。
Hitchhiker’s Guide to RAG with ChatGPT API and LangChain
使用您的本地文件作为上下文建立一个简单的Python Rag管道，该上下文是Hitchhiker的抹布指南与Chatgpt API和Langchain的抹布，首先出现在数据科学上。
Building a Custom PDF Parser with PyPDF and LangChain
PDF看起来很简单 - 直到您尝试解析一个。这是建造自己的解析器的方法。
Secure distributed logging in scalable multi-account deployments using Amazon Bedrock and LangChain
在这篇文章中，我们提出了一种解决分布式日志记录多学院部署的解决方案。
在这篇文章中，我向您展示了如何结合Langchain的Langgraph，Amazon Sagemaker AI和MLFlow，以演示用于开发，评估和部署复杂的Generativeai代理的强大工作流程。该集成提供了所需的工具，可以深入了解Generativeai代理的性能，快速迭代并在整个开发过程中维护版本控制。
Super charge your LLMs with RAG at scale using AWS Glue for Apache Spark
在本文中，我们将探讨在 LangChain（一个基于 LLM 构建应用程序的开源框架）上构建可重复使用的 RAG 数据管道，并将其与 AWS Glue 和 Amazon OpenSearch Serverless 集成。最终解决方案是可扩展 RAG 索引和部署的参考架构。
The Essential Guide to Effectively Summarizing Massive Documents, Part 1
文档摘要对于 GenAI 用例很重要，但如果文档太大怎么办！？继续阅读以了解我是如何解决这个问题的。“总结大量文本”——使用 GPT-4o 生成的图像文档摘要如今已成为使用现代生成式人工智能 (GenAI) 技术解决的最常见问题陈述之一（如果不是最常见问题）。检索增强生成 (RAG) 是一种用于解决该问题的常见但有效的解决方案架构。但是，如果文档本身太大以至于无法在单个 API 请求中作为一个整体发送怎么办？或者，如果它产生太多块而导致臭名昭著的“迷失在中间”上下文问题怎么办？在本文中，我将讨论我们在处理此类问题陈述时面临的挑战，并逐步介绍我使用 Greg Kamradt 在其 GitHub
LLM Portfolio Projects Ideas to Wow Employers
使用 LangChain、VectorDB、FastAPI、OpenAI API、Zyte、Ollama 和 Hugging Face 构建有趣的 AI 项目。
