- 🔥 服务器基础环境安装及常用工具
- 🐎 大模型调用总结
- 大模型原理介绍
- 🍄检索增强生成(RAG)
- 🎪向量数据库技术
- 🚅 大模型训练
- 🚀 大模型Agent框架
- ♻️ AI图像生成
- 🏡 AI语音合成
- 🎵 AI音乐合成
- 📐 Suno
- 📞 我用AI技术做了一个虚拟女友
- 💬 AI技术应用交流群
- 👥 微信公众号
采用语言python
| 大模型 | 厂商名称 | API调用文档 | 支持模型(闭源) | 依赖下载 |
|---|---|---|---|---|
| chatglm | 智谱 | 链接 | GLM-4、GLM-4V、GLM-3-Turbo | pip install zhipuai |
| 星火大模型 | 科大讯飞 | 链接 | V1.5、V2.0、V3.0和V3.5四个版本 | pip install --upgrade spark_ai_python |
| 通义千问 | 阿里 | 链接 | qwen-turbo、qwen-plus、qwen-max等 | pip install dashscope |
| 文心一言 | 百度 | 链接 | ERNIE-4.0、ERNIE-3.5、ERNIE-Lite等 | pip install qianfan |
| kimi | 月之暗面 | 链接 | moonshot-v1-8k、moonshot-v1-32k、moonshot-v1-128k | pip install openai |
| chatgpt | OpenAI | 链接 | gpt4、gpt3.5 | pip install openai |
- 千亿级开源大模型Qwen1.5-110B-Chat部署实测
- 目前有什么可以本地部署的大模型推荐?
- 为什么vllm消耗显存那么大？
- 大模型本地部署这么麻烦，为什么不直接调用API？
- vllm
- 8bit量化、4bit量化技术原理介绍
- 一文讲明白初学者怎么入门大语言模型（LLM）？
- 图解Transformer中的Attention机制
- llama3整体架构图介绍
- llama3原始权重与HuggingFace权重的区别
- llama3归一化方法RMSNorm实现
- llama3分组查询注意力（Grouped Query Attention，GQA）实现
- llama3 掩码注意力机制（Masked Grouped Query Attention）实现
- llama3前馈网络SwiGLU实现
- llama3整体推理实现
-
LLaMAFactory能干啥？
用一种极简方式支持数百种大模型训练
-
为什么要用LLaMAFactory?
比如对chatglm3微调，不再需要去chatglm3官网查看微调代码。在LLaMAFactory中，更换一个参数直接搞定。
-
如何使用？ 项目地址：LLaMA-Factory
-
只需三个脚本，单机多卡微调BaiChuan2-13B并发布服务
-
只需三个脚本，多机多卡微调BaiChuan2-13B并发布服务
-
只需三个脚本，使用vllm部署BaiChuan2-13B
| 项目 | 微调方式 | 教程 | 视频教程 | 相关依赖 |
|---|---|---|---|---|
| 微调大模型实现情感预测 | Lora | 我用LLaMA-Factory微调大模型来实现商品评论情感分析，准确率高达91.70% | 视频链接 | 配套代码 |
RAG整体技术路线可分为3大块8个小点见下图，其中包含知识库构建、知识检索和知识问答。其中核心在于知识库构建
详细介绍见：
-
常规rag存在的问题：
一是如何应对复杂多变的数据，这些数据包含各种格式，更复杂的还包含各类图表、pdf、excel循环嵌套等。如果在没有理解这些数据的基础之上直接简单粗暴地做RAG ，就会导致知识检索失败，从而导致rag失败。
二是如何查询和排序。假设知识库中有10W条数据，你的问题需要和10W数据匹配检索并且找到最适合的几条，无疑于大海捞针。
-
ragflow是如何改善这些问题的？
一是基于深度文档理解deepdoc模块，能够从各类复杂格式的非结构化数据中提取真知灼见。
二是引入多路召回和重排序，才能保证数据检索召回的准确度
项目地址：ragflow
| 向量数据库 | 数据处理 | 语义召回 | 教程 | 视频地址 |
|---|---|---|---|---|
| Elasticsearch | deepdoc模块 | 多路召回、融合重排序 | 我用ragflow做了一款初中历史辅导助手 | https://www.bilibili.com/video/BV1yw4m1y7yA/ |
github上的代码封装程度高，不利于小白学习入门。
常规的大模型RAG框架有langchain等，但是langchain等框架源码理解困难，debug源码上手难度大。
因此，我写了一个人人都能看懂、人人都能修改的大模型RAG框架代码。
整体项目结构如下图所示：手把手教你大模型RAG框架架构。
代码与教程如下：
| 章节 | 教程 | 代码 |
|---|---|---|
| 01.如何调用大模型API | 手把手教你完成大模型RAG知识问答应用构建-01.如何调用大模型API | 配套代码 |
| 02.RAG介绍 | 手把手教你完成大模型RAG知识问答应用构建-02.RAG介绍 | 配套代码 |
| 03.部署环境准备 | 手把手教你完成大模型RAG知识问答应用构建-03.项目依赖环境准备 | 配套代码 |
| 04.知识库构建 | 手把手教你完成大模型RAG知识问答应用构建-04.知识库构建 | 配套代码 |
| 05.基于知识库的大模型问答 | 手把手教你完成大模型RAG知识问答应用构建-05.基于知识库的大模型问答 | 配套代码 |
| 06.改进-用自己的embedding模型 | 手把手教你完成大模型RAG知识问答应用构建-06.用自己的embedding模型 | 配套代码 |
| 07.封装镜像对外提供服务 | 更新中 | 配套代码 |
| 08.改进-基于Faiss的大模型知识索引构建 | 更新中 | 配套代码 |
| 09.改进-使用向量数据库 | 更新中 | 配套代码 |
| 10.前端构建 | 更新中 | 更新中 |
Agent的构成要素包括LLM（Language Model），记忆（Memory），规划技能（Planning skills），工具使用能力（Tool use），使用这些不同的环节，完成构建AGI。
Agent = LLM+Planning+Feedback+Tool use
如下为AI Agent云服务商E2B整理的目前市面上不同领域里知名的 AI Agent 项目，共计81个开源+58个闭源Agent项目
论文：ReAct: Synergizing Reasoning and Acting in Language Models
图片挂掉，可加微信:Code-GUO
图片挂掉，可加微信:Code-GUO
如有疑问请提交issue，有违规侵权，请联系本人 coderguo@foxmail.com ，本人立马删除相应链接，感谢！
本仓库仅作学习交流分享使用，任何子环节不作任何商用。