Un modo rapido per prototipare applicazioni RAG basate su LangChain
Ricordi i tempi in cui per costruire un chatbot intelligente ci volevano mesi di programmazione?
Framework come LangChain hanno sicuramente semplificato lo sviluppo, ma centinaia di righe di codice possono ancora rappresentare un ostacolo per coloro che non sono programmatori.
C'è un modo più facile ?
È stato allora che ho scoperto “Lang Flow”, un pacchetto open source che si basa sulla versione Python di LangChain. Ti consente di creare un'applicazione AI senza dover scrivere una singola riga di codice. Ti fornisce una tela in cui puoi semplicemente trascinare i componenti e collegarli per creare il tuo chatbot.
In questo post useremo LangFlow per costruire un prototipo di chatbot intelligente con intelligenza artificiale in pochi minuti. Per il backend, useremo Essere per incorporare modelli e Large Language Model, il che significa che l'applicazione viene eseguita localmente e gratuitamente! Infine, convertiremo questo flusso in un file Illuminato applicazione con codifica minima.
In questo progetto, costruiremo un chatbot AI e chiameremolo “Dinnerly – Your Healthy Dish Planner”. Ha lo scopo di consigliare ricette di piatti sani, estratte da a file PDF della ricetta con l'aiuto di Retrieval Augmented Generation (RAG).
Prima di approfondire come realizzeremo tutto ciò, esaminiamo rapidamente gli ingredienti principali che utilizzeremo nel nostro progetto.
Generazione aumentata di recupero (RAG)
RAG (Retrieval-Augmented Generation) aiuta i Large Language Models (LLM) fornendo loro informazioni rilevanti da fonti esterne. Ciò consente ai LLM di considerare questo contesto quando generano risposte, rendendole più accurate e aggiornate.
La pipeline RAG include in genere i seguenti passaggi, come descritto in Una guida al recupero della generazione aumentata :
“
- Carica documento: Inizia caricando il documento o l'origine dati.
- Diviso in blocchi: Suddividi il documento in gestibile…
Fonte: towardsdatascience.com
