#小白游#
第二十三弹(没错,云南被我跳过去了[第五人格])临汾day1
24.4.5
中午的高铁几个人从不同的出发地点坐了同一辆车去,到了以后就有车接,还因为特殊优待坐到了副驾,美汁儿汁儿[小凤凰]
①临汾市博物馆
博物馆很新,倒是不很大,一共四五个展厅,主要是讲晋国文化的,大部分都是青铜器,铜器都腐蚀的太厉害了,不知道刚做出来是什么样子的。博物馆旁边汾河公园有个超大的草坪,上面全是放风筝的人,各式各样飞的满天都是,真是这辈子没见过这么多风筝。感觉临汾的绿化好好,街很宽,基础设施也完善,是我从来没见过的三个方向的灯,公交车超可爱,每条线图案都不一样好有特色,就是停车位太少了,停车场普遍又小又挤,巷子里好多车直接停路边有点乱。
②华门
只是简单路过了一下“天下第一门”
③尧庙
四十块钱什么都没有,答应我都别来好吗?里面的雕像做的真的很难评,还遇到暮鼓旁边收钱的人打电话和别人对账,把钱说成“功德”蛮搞笑的。
④牛肉丸子面
好吃的很,但没有不辣的,含泪忍痛吃完,吃的时候zmy还一直劝我说要不你别吃了,但真的太好吃了[泪]
⑤新百汇
感觉像超大型许西,美食街+很多游乐设施,和csgo山西省第四一起打枪,15元30发子弹是比太原的便宜,我好像打了25个换了个萝卜刀(并不会玩),抓娃娃也便宜就是很坑,每次都能抓到抓起来就松爪,五个人抓了半天一个也没捞着。还吃了机器做的冰激凌,性价比极低但图新鲜尝尝。
⑥
回去就打麻将决战到天亮,一整晚都没胡几把当庄必点炮,毫无游戏体验但只塌了一次锅,还见识到了两把别人的十三幺,有时候我的手气真让我怀疑和别人玩的是不是同一个游戏[怒]
第二十三弹(没错,云南被我跳过去了[第五人格])临汾day1
24.4.5
中午的高铁几个人从不同的出发地点坐了同一辆车去,到了以后就有车接,还因为特殊优待坐到了副驾,美汁儿汁儿[小凤凰]
①临汾市博物馆
博物馆很新,倒是不很大,一共四五个展厅,主要是讲晋国文化的,大部分都是青铜器,铜器都腐蚀的太厉害了,不知道刚做出来是什么样子的。博物馆旁边汾河公园有个超大的草坪,上面全是放风筝的人,各式各样飞的满天都是,真是这辈子没见过这么多风筝。感觉临汾的绿化好好,街很宽,基础设施也完善,是我从来没见过的三个方向的灯,公交车超可爱,每条线图案都不一样好有特色,就是停车位太少了,停车场普遍又小又挤,巷子里好多车直接停路边有点乱。
②华门
只是简单路过了一下“天下第一门”
③尧庙
四十块钱什么都没有,答应我都别来好吗?里面的雕像做的真的很难评,还遇到暮鼓旁边收钱的人打电话和别人对账,把钱说成“功德”蛮搞笑的。
④牛肉丸子面
好吃的很,但没有不辣的,含泪忍痛吃完,吃的时候zmy还一直劝我说要不你别吃了,但真的太好吃了[泪]
⑤新百汇
感觉像超大型许西,美食街+很多游乐设施,和csgo山西省第四一起打枪,15元30发子弹是比太原的便宜,我好像打了25个换了个萝卜刀(并不会玩),抓娃娃也便宜就是很坑,每次都能抓到抓起来就松爪,五个人抓了半天一个也没捞着。还吃了机器做的冰激凌,性价比极低但图新鲜尝尝。
⑥
回去就打麻将决战到天亮,一整晚都没胡几把当庄必点炮,毫无游戏体验但只塌了一次锅,还见识到了两把别人的十三幺,有时候我的手气真让我怀疑和别人玩的是不是同一个游戏[怒]
是什么 () ?
下面是一个简单的基于RAG的聊天机器人的例子,用于查询您的私人知识库。
第一步是以适合查询的格式存储内部文档的知识。我们通过使用嵌入模型嵌入它来做到这一点:
: 将整个知识库的文本语料库分割成块——块将表示可查询的单个上下文。感兴趣的数据可以来自多个来源,例如由PDF报告补充的Confluence中的文档。
: 使用嵌入模型将每个块转换为矢量嵌入。
: 将所有矢量嵌入存储在矢量数据库中。
: 将分别表示每个嵌入的文本与指向嵌入的指针一起保存(我们稍后需要)。
接下来,我们可以开始构建感兴趣的问题/查询的答案:
: 使用用于嵌入知识库本身的嵌入模型嵌入您要问的问题/查询。
: 使用生成的矢量嵌入对矢量数据库中的索引运行查询。选择要从矢量数据库中检索的矢量数量——这将等于您将要检索并最终用于回答查询问题的上下文数量。
: 向量DB针对索引对所提供的向量嵌入执行近似最近邻(ANN)搜索,并返回先前选择的上下文向量量。该过程返回在给定嵌入/潜在空间中最相似的向量。
: 将返回的矢量嵌入映射到表示它们的文本块。
: 通过提示将问题和检索到的上下文文本块一起传递给LLM。指示LLM仅使用提供的上下文来回答给定的问题。这并不意味着不需要即时工程——您需要确保LLM返回的答案符合预期的界限,例如,如果检索到的上下文中没有可以使用的数据,请确保没有提供虚构的答案。
为了让它成为一个真正的聊天机器人,使用一个Web UI来面对整个应用程序,该UI公开了一个文本输入框作为聊天界面。在通过步骤1。至9.-返回并显示生成的答案。这就是当今大多数基于单个或多个内部知识库来源的聊天机器人的实际构建方式。
如上所述,该系统实际上只是一个幼稚的RAG,通常不适合生产级应用。您需要了解系统中的所有移动部件,以便通过应用先进技术来调整它们,从而将Naive RAG转换为适合生产的advanced RAG。在即将发布的帖子中有更多关于这方面的内容,请继续关注!
#生成式AI[超话]##RAG#
下面是一个简单的基于RAG的聊天机器人的例子,用于查询您的私人知识库。
第一步是以适合查询的格式存储内部文档的知识。我们通过使用嵌入模型嵌入它来做到这一点:
: 将整个知识库的文本语料库分割成块——块将表示可查询的单个上下文。感兴趣的数据可以来自多个来源,例如由PDF报告补充的Confluence中的文档。
: 使用嵌入模型将每个块转换为矢量嵌入。
: 将所有矢量嵌入存储在矢量数据库中。
: 将分别表示每个嵌入的文本与指向嵌入的指针一起保存(我们稍后需要)。
接下来,我们可以开始构建感兴趣的问题/查询的答案:
: 使用用于嵌入知识库本身的嵌入模型嵌入您要问的问题/查询。
: 使用生成的矢量嵌入对矢量数据库中的索引运行查询。选择要从矢量数据库中检索的矢量数量——这将等于您将要检索并最终用于回答查询问题的上下文数量。
: 向量DB针对索引对所提供的向量嵌入执行近似最近邻(ANN)搜索,并返回先前选择的上下文向量量。该过程返回在给定嵌入/潜在空间中最相似的向量。
: 将返回的矢量嵌入映射到表示它们的文本块。
: 通过提示将问题和检索到的上下文文本块一起传递给LLM。指示LLM仅使用提供的上下文来回答给定的问题。这并不意味着不需要即时工程——您需要确保LLM返回的答案符合预期的界限,例如,如果检索到的上下文中没有可以使用的数据,请确保没有提供虚构的答案。
为了让它成为一个真正的聊天机器人,使用一个Web UI来面对整个应用程序,该UI公开了一个文本输入框作为聊天界面。在通过步骤1。至9.-返回并显示生成的答案。这就是当今大多数基于单个或多个内部知识库来源的聊天机器人的实际构建方式。
如上所述,该系统实际上只是一个幼稚的RAG,通常不适合生产级应用。您需要了解系统中的所有移动部件,以便通过应用先进技术来调整它们,从而将Naive RAG转换为适合生产的advanced RAG。在即将发布的帖子中有更多关于这方面的内容,请继续关注!
#生成式AI[超话]##RAG#
淄博书记马晓磊:交警的职责是疏导交通而不是开罚单,城管的职责是帮助摆摊而不是追赶。
无论什么时候什么事情,惩罚都不是目的,对于多次合理引导没有作用的,对于恶意无理反抗的行为可以给与一定的处罚,但更多的时候,对于绝大对数的朴实百姓,职权在握的大人们应该从从基层百姓的角度出发,换位思考,帮助解决老百姓遇到的难题或者困扰,通过更加人性化的举措引导人们,使得人们自觉遵守规则和维护秩序。而不是简单粗暴的给出罚单。
为马书记提出的口号点赞,能为一方百姓考虑,坚持一切为人民服务的宗旨,能说出这话的领导并且用行动来证明且能做到一定是好领导。
无论什么时候什么事情,惩罚都不是目的,对于多次合理引导没有作用的,对于恶意无理反抗的行为可以给与一定的处罚,但更多的时候,对于绝大对数的朴实百姓,职权在握的大人们应该从从基层百姓的角度出发,换位思考,帮助解决老百姓遇到的难题或者困扰,通过更加人性化的举措引导人们,使得人们自觉遵守规则和维护秩序。而不是简单粗暴的给出罚单。
为马书记提出的口号点赞,能为一方百姓考虑,坚持一切为人民服务的宗旨,能说出这话的领导并且用行动来证明且能做到一定是好领导。
✋热门推荐