糖心vlog官网观看

Nehmen Sie an unserem neuen Kurzkurs teil und lernen Sie von Jerry Liu, Mitbegr眉nder und CEO von LlamaIndex, wie Sie mit der Verwendung von agentic RAG beginnen, einem Framework, das entwickelt wurde, um Forschungsagenten zu bauen, die in der Verwendung von Werkzeugen, der Argumentation und der Entscheidungsfindung mit Ihren Daten erfahren sind. In diesem Kurs: 1. Bauen Sie die einfachste Form von agentenbasiertem RAG - einen Router. Bei einer Anfrage w盲hlt der Router eine von zwei Abfrage-Engines, Q&A oder Zusammenfassung, um eine Anfrage 眉ber ein einzelnes Dokument auszuf眉hren. 2. F眉gen Sie Ihrem Router-Agenten Werkzeugaufrufe hinzu, wobei Sie einen LLM verwenden werden, um nicht nur eine auszuf眉hrende Funktion auszuw盲hlen, sondern auch ein Argument abzuleiten, das an die Funktion 眉bergeben werden soll. 3. Bauen Sie einen Recherche-Assistenten. Anstelle des Werkzeugaufrufs in einer einmaligen Einstellung ist ein Agent in der Lage, 眉ber Werkzeuge in mehreren Schritten nachzudenken.

4. Erstellen Sie einen Multi-Dokument-Agenten, bei dem Sie lernen, wie Sie den Recherche-Agenten so erweitern k枚nnen, dass er mit mehreren Dokumenten umgehen kann. Im Gegensatz zur Standard-RAG-Pipeline, die 蹿眉谤 einfache Abfragen 眉ber einige wenige Dokumente geeignet ist, passt sich dieser intelligente Ansatz auf der Grundlage der anf盲nglichen Ergebnisse an, um die weitere Datenabfrage zu verbessern. Sie werden lernen, einen autonomen Forschungsagenten zu entwickeln, der Ihre F盲higkeit verbessert, mit Ihren Daten umzugehen und sie umfassend zu analysieren. Sie werden 眉ben, Agenten zu erstellen, die in der Lage sind, intelligent zu navigieren, Informationen zusammenzufassen und 眉ber mehrere Forschungspapiere von arXiv hinweg zu vergleichen. Au脽erdem lernen Sie, wie Sie diese Agenten debuggen k枚nnen, um sicherzustellen, dass Sie ihre Aktionen effektiv steuern k枚nnen. Erforschen Sie eine der am schnellsten voranschreitenden Anwendungen von agentenbasierter KI!