Repository search results (github.com)
Question Answering | ?️? Langchain
假设您有一些文本文档(PDF、blog、Notion页面等)，并且希望询问与这些文档内容相关的问题。法学硕士，鉴于他们在理解文本方面的熟练程度，是一个很好的工具。在本演练中，我们将介绍如何使用llm构建基于文档的问答应用程序。我们在其他地方介绍的两个非常相关的用例是:
Loading：首先我们需要加载我们的数据。可以从多个源加载非结构化数据。使用 LangChain 集成中心浏览全套加载器。 每个加载器将数据作为 LangChain文档返回。Splitting：文本拆分器分解为指定大小的拆分DocumentsStorage：存储（例如，通常是矢量存储）将容纳并经常嵌入拆分Retrieval：应用从存储中检索拆分（例如，通常具有与输入问题类似的嵌入）Generation：LLM使用包含问题和检索到的数据的提示生成答案Conversation（扩展）：通过将内存添加到您的 QA 链来保持多轮对话。
from langchain.chains import RetrievalQA from langchain.chat_models import ChatOpenAI llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0) qa_chain = RetrievalQA.from_chain_type(llm,retriever=vectorstore.as_retriever()) qa_chain({"query": question})
{'query': 'What are the approaches to Task Decomposition?',
'result': 'There are three approaches to task decomposition:\n\n1. Using Language Model with simple prompting: This approach involves using a Language Model (LLM) with simple prompts like "Steps for XYZ" or "What are the subgoals for achieving XYZ?" to guide the task decomposition process.\n\n2. Using task-specific instructions: In this approach, task-specific instructions are provided to guide the task decomposition. For example, for the task of writing a novel, an instruction like "Write a story outline" can be given to help decompose the task into smaller subtasks.\n\n3. Human inputs: Task decomposition can also be done with the help of human inputs. This involves getting input and guidance from humans to break down a complex task into smaller, more manageable subtasks.'}
聊天机器人是LLM的核心用例之一。聊天机器人的核心功能是它们可以进行长时间运行的对话，并可以访问用户想要了解的信息。
除了基本的提示和LLM之外，记忆和检索是聊天机器人的核心组件。内存允许聊天机器人记住过去的交互，检索为聊天机器人提供最新的、特定于域的信息。
