diff --git a/README.md b/README.md index c962c9b..c29842b 100644 --- a/README.md +++ b/README.md @@ -6037,6 +6037,8 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 矛盾内容 * 例：同一段回答中前后逻辑冲突（如先说“地球是平的”，后又说“地球绕太阳公转”） + image-20250310151927722 + * 幻觉产生的根本原因 * **训练数据的局限性** @@ -6272,6 +6274,8 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * **为啥检索到词条后，还可以用调整输出内容，更加友好？** * **什么是嵌入大模型？和前面学的LLM大模型有啥区别？** +image-20250314124004485 + ### RAG 检索增强生成之Loader实战 #### RAG系统链路和数据加载Loaders技术 @@ -7492,6 +7496,8 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * **LLM大模型的RAG原理：用户输入自然语言query，找到最相关的文档** * 这些场景的共同点：需要量化两个事物的相似程度，向量空间中的"方向感" + image-20250313170154488 + * 什么是余弦相似度？ * 基础定义：余弦相似度（Cosine Similarity）用于衡量两个向量在方向上的相似程度，忽略其绝对长度 @@ -8904,8 +8910,27 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ | **静态Schema** | 严格字段定义 | 数据结构固定的业务（用户画像） | | **动态Schema** | 允许灵活字段（需Milvus 2.3+） | 日志类多变数据 | + + + + + + + + + -#### Milvus索引操作和最佳实践避坑指南 + + + + + + + + +#### 第2集 Milvus索引操作和最佳实践避坑指南 + +**简介： Milvus索引操作和最佳实践避坑指南** * 为什么需要索引？ @@ -8927,7 +8952,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 创建索引 - ```python + ``` # 导入MilvusClient和DataType模块，用于连接Milvus服务器并操作数据类型 from pymilvus import MilvusClient, DataType @@ -8987,7 +9012,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 查看索引信息 - ```python + ``` #列出索引名称 res = client.list_indexes( collection_name="customized_setup" @@ -9007,7 +9032,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 删除前需确保无查询正在使用该索引 * 删除后需重新创建索引才能进行有效查询 - ```python + ``` #如果不再需要索引，可以直接将其删除。 client.drop_index( collection_name="customized_setup", @@ -9046,7 +9071,27 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ | "主键冲突" | 插入前检查ID唯一性，或使用自动生成ID | | "向量维度错误" | 校验dim参数与数据实际维度 | -#### Milvus向量数据库的DML操作实战 + + + + + + + + + + + + + + + + + + +#### 第3集 Milvus向量数据库的DML操作实战 + +**简介： Milvus向量数据库的DML操作实战** * 核心DML操作实战 @@ -9055,7 +9100,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * `auto_id=True`时无需手动指定主键 * 动态字段（`enable_dynamic_field=True`）允许灵活扩展非预定义字段 - ```python + ``` # 导入MilvusClient和DataType模块，用于连接Milvus服务器并操作数据类型 from pymilvus import MilvusClient, DataType @@ -9088,7 +9133,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 插入数据（Insert）支持单条或批量插入【可视化工具那边需要加载，包括查询等都是需要加载状态才可以操作】 - ```python + ``` data = [ {"id": 1, "vector": [0.1]*128, "text": "Sample text 1"}, {"id": 2, "vector": [0.2]*128, "text": "Sample text 2"} @@ -9104,7 +9149,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 删除数据（Delete）通过主键或条件表达式删除 - ```python + ``` # 按主键删除 client.delete( collection_name="my_collection", @@ -9120,7 +9165,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 更新数据（Update）Milvus不支持直接更新，需通过“删除+插入”实现： - ```python + ``` # 删除旧数据 client.delete(collection_name="my_collection", ids=[3]) @@ -9131,8 +9176,29 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ ) ``` + + + + + + + + + + + + + + + + -#### Milvus向量Search查询综合案例实战 + + + +#### 第4集 Milvus向量Search查询综合案例实战《上》 + +**简介： Milvus向量Search查询综合案例实战** * 需求说明 @@ -9145,7 +9211,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 核心参数说明 - ```python + ``` results = client 或 collection.search( data=[[0.12, 0.23, ..., 0.88]], # 查询向量（必须） anns_field="vector", # 要搜索的向量字段名（必须） @@ -9169,7 +9235,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 准备数据 - ```python + ``` from pymilvus import ( connections,MilvusClient, FieldSchema, CollectionSchema, DataType, @@ -9229,7 +9295,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 创建索引 - ```python + ``` # 准备索引参数，为"vector"字段创建索引 index_params = MilvusClient.prepare_index_params() @@ -9252,7 +9318,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 执行查询【执行查询前需要加载才可以使用】 - ```python + ``` client.load_collection(collection_name="book") # 加载集合到内存 # 生成查询向量 query_vector = [random.random() for _ in range(4)] @@ -9277,6 +9343,24 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ print("-" * 30) ``` + + + + + + + + + + + + + + +#### 第5集 Milvus向量Search查询综合案例实战《下》 + +**简介： Milvus向量Search查询综合案例实战** + * 向量数据库完整工作流程示意图 ``` @@ -9295,7 +9379,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 测试是否有 output_fields 字段，返回结果的差异 - ```python + ``` # 案例1：基础向量查询 basic_res = client.search( collection_name="book", @@ -9322,7 +9406,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 集合状态 - ```python + ``` # 验证集合状态 print(client.describe_collection("book")) @@ -9342,9 +9426,30 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ | 错误处理 | 异常类捕获 | 统一错误码系统 | | 动态字段支持 | 需要额外配置 | 参数开启即可 | -### MMR搜索和LangChain整合Milvus实战 -#### 相似度Similarity和MMR最大边界相关搜索 + + + + + + + + + + + + + +![logo](D:/小滴课堂AI/AI智能化云盘/笔记/img/image-20230918114907133-5008948.png) **愿景："IT路上的持续充电平台，让技术不再难学"** +**更多高级课程请访问 xdclass.net** + +### 第四十一章 MMR搜索和LangChain整合Milvus实战 + + + +#### 第1集 相似度Similarity和MMR最大边界相关搜索 + +**简介： 相似度Similarity和MMR最大边界相关搜索** * 搜索的行业应用案例：电商推荐系统（明白两个差异） @@ -9360,11 +9465,13 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ "用户浏览历史多样 → 推荐跨品类商品" ``` + + * 基础相似度搜索（Similarity Search） * **原理**：通过向量空间中的距离计算（余弦相似度/L2距离等）找出最接近目标向量的结果 - 1 + 1 * 核心特点 @@ -9374,7 +9481,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 参数配置模板，方法 `vector_store.similarity_search( )` - ```python + ``` vector_store.as_retriever( search_type="similarity", search_kwargs={ @@ -9406,7 +9513,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 设计初衷是解决传统相似性搜索（如余弦相似度）可能导致的“信息冗余”问题，在需要覆盖多角度信息或推荐多样化内容的场景中效果显著 * **原理**：在相似度和多样性之间进行权衡，避免结果冗余 - 2 + 2 * 算法原理图解 @@ -9424,7 +9531,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 参数配置模板, 方法 `vector_store.max_marginal_relevance_search( )` - ```python + ``` mmr_retriever = vector_store.as_retriever( search_type="mmr", search_kwargs={ @@ -9466,9 +9573,25 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 企业推荐系统架构示例 -3 +3 + + + + + + + + + + + + + -#### 新版LangChain向量数据库VectorStore设计 + +#### 第2集 新版LangChain向量数据库VectorStore设计 + +**简介： 新版LangChain向量数据库VectorStore设计** * LangChain 向量存储体系架构 @@ -9496,7 +9619,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ from langchain_core.vectorstores import VectorStore ``` - 1 + 1 * VectorStore 核心方法详解 @@ -9513,7 +9636,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 初始化方法 - ```python + ``` @classmethod def from_documents( cls, @@ -9560,7 +9683,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 相似性搜索方法 - ```python + ``` def similarity_search( self, query: str, @@ -9579,7 +9702,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 最大边界相关算法（MMR） - ```python + ``` def max_marginal_relevance_search( self, query: str, @@ -9607,9 +9730,27 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 场景：知识库冷启动 -export_j1u9v +export_j1u9v + + + + + + + + + + + + + + + -#### LangChain整合Milvus新增和删除实战 + +#### 第3集 LangChain整合Milvus新增和删除实战 + +**简介： LangChain整合Milvus新增和删除实战** * 需求 @@ -9622,7 +9763,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 准备数据 - ```python + ``` from langchain_community.embeddings import DashScopeEmbeddings #from langchain.vectorstores import Milvus from langchain_milvus import Milvus @@ -9688,7 +9829,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 插入 - ```python + ``` ids = [ str(i+1) for i in range(len(documents))] print(ids) result = vector_store.add_documents(documents=documents, ids=ids) @@ -9697,14 +9838,25 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 删除 - ```python + ``` result = vector_store.delete(ids=["1"]) print(result) #(insert count: 0, delete count: 1, upsert count: 0, timestamp: 456798840753225732, success count: 0, err count: 0 ``` + + + + -#### LangChain实战MMR和相似性搜索实战 + + + + + +#### 第4集 LangChain实战MMR和相似性搜索实战 + +**简介： LangChain实战MMR和相似性搜索实战** * 需求 @@ -9715,7 +9867,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 准备数据【**执行多次有多条重复记录，向量数据库不会去重，方便测试MMR**】 - ```python + ``` from langchain_community.embeddings import DashScopeEmbeddings #from langchain.vectorstores import Milvus from langchain_milvus import Milvus @@ -9755,7 +9907,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 相似性搜索（向量数据库插入多个重复数据，看是否会返回一样的） - ```python + ``` # 相似性搜索 query = "如何进行数据库集成？" results = vector_store.similarity_search(query, k=2) @@ -9774,7 +9926,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * MMR搜索（跨类搭配，向量数据库插入多个重复数据，看是否会返回一样的） - ```python + ``` # MMR推荐（跨类搭配） diverse_results = vector_store.max_marginal_relevance_search( query="如何进行数据库集成", @@ -9791,10 +9943,32 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ print(diverse_results) ``` + + + + + + + + + + + -### Retrievers检索器+RAG文档助手项目实战 -#### LangChain检索器Retrievers案例实战 + + + +![logo](D:/小滴课堂AI/AI智能化云盘/笔记/img/image-20230918114907133-5008948.png) **愿景："IT路上的持续充电平台，让技术不再难学"** +**更多高级课程请访问 xdclass.net** + +### 第四十二章 Retrievers检索器+RAG文档助手项目实战 + + + +#### 第1集 LangChain检索器Retrievers案例实战 + +**简介： LangChain检索器Retrievers案例实战** * 什么是`Retriever` @@ -9806,7 +9980,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * **RAG中的角色**：作为检索增强生成（RAG）流程的“数据入口”，为生成模型提供精准上下文 - data_connection_diagram + data_connection_diagram * 有多个实现：VectorStoreRetriever、MultiQueryRetriever、SelfQueryRetriever等 @@ -9830,7 +10004,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 基础使用参考案例 - ```python + ``` #将文档嵌入为向量，通过相似度计算（如余弦相似度）检索 from langchain_community.vectorstores import FAISS retriever = FAISS.from_documents(docs, embeddings).as_retriever( @@ -9845,7 +10019,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 源码 - ```python + ``` def as_retriever(self, **kwargs: Any) -> VectorStoreRetriever: tags = kwargs.pop("tags", None) or [] + self._get_retriever_tags() return VectorStoreRetriever(vectorstore=self, tags=tags, **kwargs) @@ -9864,7 +10038,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ | `"mmr"` | 多样性结果优化 | `max_marginal_relevance_search()` | | `"similarity_score_threshold"` | 阈值过滤检索 | `search()` + `score_threshold` | - ```python + ``` # MMR 检索配置示例 mmr_retriever = vector_store.as_retriever( search_type="mmr", @@ -9888,7 +10062,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 默认是similarity search - ````python + ```` from langchain_community.embeddings import DashScopeEmbeddings from langchain_milvus import Milvus from langchain_core.documents import Document @@ -9940,11 +10114,28 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ retriever = vector_store.as_retriever(search_type="mmr",search_kwargs={"k": 2}) ``` + + + + + + + + -#### 大厂面试题-如何提升大模型召回率和实战 + + + + + +#### 第2集 大厂面试题-如何提升大模型召回率和实战 + +**简介： 大厂面试题-如何提升大模型召回率和案例实战** * **LLM大模型开发高频面试题：如何提升大模型召回率和准确率?** + image-20250325144937629 + * 需求背景 * 当原始查询不够明确时，或者当文档库中的内容使用不同的术语表达同一概念时 @@ -9961,11 +10152,11 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * **查询扩展技术**：通过LLM生成N个相关查询（如改写、扩展、翻译），合并结果去重，生成多个变体查询 * **双重增强效果**：提升召回率（+25%↑）和准确率（+18%↑）的平衡 - ![1](./img/1-2885071.png) + ![1](D:/小滴课堂AI/AI智能化云盘/笔记/img/1-2885071.png) * 用法 - ```python + ``` retriever = MultiQueryRetriever.from_llm( retriever=base_retriever, llm=ChatOpenAI() @@ -9981,7 +10172,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 案例实战 - ```python + ``` from langchain_community.embeddings import DashScopeEmbeddings #from langchain.vectorstores import Milvus from langchain_milvus import Milvus @@ -10057,8 +10248,21 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ # print(vector_store) ``` + + + + + + + + + + + + +#### 第3集 RAG综合项目实战-AI文档问答助手《上》 -#### RAG综合项目实战-AI文档问答助手 +**简介： RAG综合项目实战-AI文档问答助手《上》** * **需求：在线文档的问答助手，方便查找相关手册和接口API** @@ -10078,24 +10282,24 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 向量存储与检索 - + - 使用`Milvus`作为向量数据库，创建名为`doc_qa_db`的Collection。 - + - 将生成的向量嵌入存储到Milvus中，并支持相似性检索。 * 基于RAG的问答 - + - 初始化`ChatOpenAI`模型，使用`qwen-plus`作为LLM模型。 - + - 定义`PromptTemplate`，用于构建输入给LLM的提示信息。 - + - 构建RAG链，结合相似性检索结果和LLM生成回答。 * 编码实战 - ```python + ``` from langchain_community.document_loaders import WebBaseLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain_milvus import Milvus @@ -10168,10 +10372,23 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ retriever = vector_store.as_retriever() ``` + + + + + + + + + + +#### 第4集 RAG综合项目实战-AI文档问答助手《下》 + +**简介： RAG综合项目实战-AI文档问答助手《下》** * 编码测试实战 - ```python + ``` # 定义PromptTemplate，用于构建输入给LLM的prompt。 template = """你是AI文档助手，使用以下上下文来回答最后的问题。 如果你不知道答案，就说你不知道，不要试图编造答案。 @@ -10207,7 +10424,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 大家的疑惑点（下一章讲解） - ```python + ``` # 构建Retrieval-Augmented Generation链。 rag_chain = ( {"context": retriever, "question": RunnablePassthrough()} @@ -10225,9 +10442,30 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * `retriever`完成检索后，会自动把结果赋值给`context`。 * 检索结果`context`和用户输入`question`一并传给提示模板`prompt_template`。 -### 解析和多实现类案例实战 -#### LangChain核心之Runnable接口底层实现 + + + + + + + + + + + + + +![logo](D:/小滴课堂AI/AI智能化云盘/笔记/img/image-20230918114907133-5008948.png) **愿景："IT路上的持续充电平台，让技术不再难学"** +**更多高级课程请访问 xdclass.net** + +### 第四十三章 Runnable深度解析和多实现类案例实战 + + + +#### 第1集 LangChain核心之Runnable接口底层实现 + +**简介： LangChain核心之Runnable接口底层实现** * 什么是`Runnable`接口 @@ -10256,7 +10494,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 执行 LCEL链调用的方法（invoke/stream/batch），链中的每个组件也调用对应的方法，将输出作为下一个组件的输入 - ```python + ``` #RunnableSequence.invoke 的源码解读 def invoke( @@ -10305,7 +10543,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * Runnable接口定义了以下核心方法，支持多种执行模式 - ```python + ``` class Runnable(Generic[Input, Output]): #处理单个输入，返回输出。 def invoke(self, input: Input) -> Output: ... @@ -10333,13 +10571,23 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ | `RunnableParallel` | 并行执行 | 多任务独立处理 | | `RunnablePassthrough` | 数据透传 | 保留原始输入 | -#### RunnablePassthrough介绍和透传参数实战 + + + + + + + + +#### 第2集 RunnablePassthrough介绍和透传参数实战 + +**简介： RunnablePassthrough介绍和透传参数实战** * `RunnablePassthrough` * 核心功能：用于在链中直接传递输入数据，不进行任何修改，或通过 `.assign()` 扩展上下文字段 - ![2](./img/2-2902256.png) + ![2](D:/小滴课堂AI/AI智能化云盘/笔记/img/2-2902256.png) * 应用场景： @@ -10348,7 +10596,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 基础用法 - ```python + ``` from langchain_core.runnables import RunnablePassthrough # 直接传递输入 @@ -10360,7 +10608,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 案例一 - ```python + ``` # 使用 assign() 添加新字段 from langchain_core.runnables import RunnablePassthrough @@ -10379,7 +10627,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 案例二（伪代码） - ```python + ``` # 构建包含原始问题和处理上下文的链 chain = ( RunnablePassthrough.assign( @@ -10403,7 +10651,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 检索结果`context`和用户输入`question`一并传给提示模板`prompt_template`。 * **输出**：模型根据检索到的上下文生成答案 - ```python + ``` from langchain_community.embeddings import DashScopeEmbeddings from langchain_milvus import Milvus from langchain_core.documents import Document @@ -10456,8 +10704,15 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ print(result) ``` + + + -#### AI智能推荐实战之RunnableParallel并行链 + + +#### 第3集 AI智能推荐实战之RunnableParallel并行链 + +**简介： AI智能推荐实战之RunnableParallel并行链** * `RunnableParallel` 介绍 @@ -10473,7 +10728,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 在 LCEL 链上，会将字典隐形转换为`RunnableParallel` - ```python + ``` multi_retrieval_chain = ( RunnableParallel({ "context1": retriever1, #数据源一 @@ -10504,11 +10759,11 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ | **并行执行** | 所有子Runnable同时运行 | 3个任务耗时2秒（而非累加） | | **类型安全** | 强制校验输入输出类型 | 自动检测字典字段类型 | - 1 + 1 * API 与用法, 构造函数所有子链接收相同的输入 - ```python + ``` from langchain_core.runnables import RunnableParallel runnable = RunnableParallel( @@ -10539,7 +10794,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 多模型对比系统 - ```python + ``` model_comparison = RunnableParallel({ "gpt4": gpt4_chain, "claude": claude_chain, @@ -10549,7 +10804,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 智能文档处理系统 - ```python + ``` document_analyzer = RunnableParallel({ "summary": summary_chain, # 摘要生成 "toc": toc_generator, # 目录提取 @@ -10566,7 +10821,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 场景：并行生成景点与书籍推荐 - ```python + ``` from langchain_core.runnables import RunnableParallel from langchain_core.prompts import ChatPromptTemplate from langchain_openai import ChatOpenAI @@ -10610,8 +10865,17 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ print(output) ``` + + + + + + -#### RunnableLambda介绍和包装链式函数实战 + +#### 第4集 RunnableLambda介绍和包装链式函数实战 + +**简介： RunnableLambda介绍和包装链式函数实战** * `RunnableLambda` @@ -10644,7 +10908,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * API 与用法 - ```python + ``` from langchain_core.runnables import RunnableLambda def log_input(x): @@ -10658,7 +10922,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 基础文本处理链 - ```python + ``` from langchain_core.runnables import RunnableLambda text_clean_chain = ( @@ -10673,7 +10937,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 打印中间结果并过滤敏感词（在链中插入自定义处理逻辑） - ```python + ``` from langchain_core.runnables import RunnableLambda from langchain_openai import ChatOpenAI def filter_content(text: str) -> str: @@ -10697,8 +10961,23 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ print(result) # 输出过滤后的结果 ``` + + + + + + + + + -#### 智能客服路由实战之RunnableBranch条件分支 + + + + +#### 第5集 智能客服路由实战之RunnableBranch条件分支 + +**简介： 智能客服路由实战之RunnableBranch条件分支** * `RunnableBranch` @@ -10706,7 +10985,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * API 与用法 - ```python + ``` from langchain_core.runnables import RunnableBranch #条件函数：接收输入，返回布尔值。 @@ -10728,7 +11007,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ """ ``` - 3 + 3 * 适合场景： @@ -10749,7 +11028,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 智能路由系统（根据输入类型路由处理方式） - ```python + ``` # 定义分类函数 def detect_topic(input_text): if "天气" in input_text: @@ -10784,7 +11063,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 导入依赖 - ```python + ``` from langchain_core.runnables import RunnableBranch, RunnableLambda from langchain_core.prompts import ChatPromptTemplate from langchain_openai import ChatOpenAI @@ -10793,7 +11072,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 定义模型 - ```python + ``` #定义模型 model = ChatOpenAI( model_name = "qwen-plus", @@ -10805,7 +11084,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 定义子链 - ```python + ``` # 技术支持链 tech_prompt = ChatPromptTemplate.from_template( "你是一名技术支持专家，请回答以下技术问题：{input}" @@ -10827,7 +11106,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 定义路由条件函数 - ```python + ``` def is_tech_question(input: dict) -> bool: # 获取 "input" 键对应的值 input_value = input.get("input", "") @@ -10843,7 +11122,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 构建 RunnableBranch - ```python + ``` branch = RunnableBranch( (is_tech_question, tech_chain), # 技术问题 → tech_chain (is_billing_question, billing_chain), # 账单问题 → billing_chain @@ -10855,7 +11134,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ * 测试案例 - ```python + ``` # 测试技术问题 tech_response = full_chain.invoke("我的账号登录失败，提示技术故障") print("技术问题响应:", tech_response) @@ -10890,7 +11169,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){ - 添加日志中间件（通过 `RunnableLambda`）记录路由决策过程 - ```python + ``` def log_decision(input_data): print(f"路由检查输入：{input_data}") return input_data