贫瘠之地

华北无浪漫,死海扬起帆
多少个夜晚,独自望着天

0%

MMR

MMR 为最大边际相关性,MaxMarginalRelevanceExampleSelector 根据示例与输入之间的相似度以及多样性来选择示例

通过寻找与输入具有最大余弦相似度的嵌入的示例,并在迭代中进行添加;同时对与已选择示例的相似度进行惩罚来进行实现

import

1
2
3
4
5
6
7
from langchain.prompts.example_selector import (
MaxMarginalRelevanceExampleSelector,
SemanticSimilarityExampleSelector,
)
from langchain.vectorstores import FAISS
from langchain.embeddings import OpenAIEmbeddings
from langchain.prompts import FewShotPromptTemplate, PromptTemplate
阅读全文 »

模板格式

默认情况下,PromptTemplate 会将提供的模板视为 Python f-string

您可以通过 template_format 参数指定其他模板格式,如下的 template_format="jinja2"

1
2
3
4
5
6
7
# 确保安装了 jinja2

jinja2_template = "告诉我一个关于{{ content }}的笑话"
prompt_template = PromptTemplate.from_template(template=jinja2_template, template_format="jinja2")

prompt_template.format(content="熊猫")
# -> 告诉我一个关于熊猫的笑话

Args:

​ template: The template string.

​ template_format: The template format. Should be one of "f-string" or "jinja2".

阅读全文 »

介绍

LangChain 是一个基于语言模型开发应用程序的框架。它可以实现以下功能:

  • 数据感知:将语言模型与其他数据源连接起来
  • 主体性:允许语言模型与其环境进行交互

LangChain 的主要价值包括:

  1. 组件:用于处理语言模型的抽象,以及每个抽象的一系列实现。组件是模块化且易于使用的,无论您是否使用 LangChain 框架的其他部分,都可以轻松使用
  2. 现成的管道:用于完成特定高级任务的结构化组件组合
阅读全文 »

霓虹都市 Neon City

在这场有趣的 highball 比赛中,Nine Bar 的老板 Lily Wang 和 Joe Briglio 展示了他们最喜欢的夏季美食之一的味道:意大利冰,尽管有一些意想不到的添加

Lily Wang 和 Joe Briglio 将 Nine Bar 描述为 “亚洲风格的鸡尾酒酒吧”,Neon City 以烧酒(shochu)为基础,辅以清酒(sake)、可尔必思(Calpico)和白酒(baijiu)

所有这些结合在一起形成了层次分明的基础,开胃利口酒和新鲜柠檬汁带来了饮料灵感中预期的浓郁柑橘味。Lily Wang 形容它 “让人耳目一新,有点时髦,拥有令人愉快的酸味”

阅读全文 »

分片(sharding)是一种将数据和负载分布在几个独立数据库实例中的技术

该方法通过将原始数据集拆分为碎片(shards)来利用水平可伸缩性,然后将其分布在多个数据库实例中

但是,即使动词 distributes 出现在分片的定义中,分片数据库也不是分布式数据库

分片解决方案

阅读全文 »