输入一个问题,“How many people live in canada as of 2023?”(“截至2023年,有多少人居住在加拿大?”),示例代码如下:
agent_executor.run("How many people live in canada as of 2023?")以上代码的运行结果为:
> Entering new AgentExecutor chain...
Thought: Hmm, I be not sure of the answer to that one.
Action: Search
Action input: "Canada population 2023"
Observation:The current population of Canada is 38,681,797 as of Monday, May 8, 2023, based on Worldometer elaboration of the latest United Nations data.
Ahoy, that be the answer I was lookin' for!
Final Answer: The population of Canada as of 2023 be 38,681,797, Arg!
> Finished chain.
'The population of Canada as of 2023 be 38,681,797, Arg!'
以上日志展示了一个AgentExecutor的执行过程。首先,代码进入了一个新的 AgentExecutor 链,LLM对用户的查询作出了一个思考,但是不确定答案。然后,代理执行了一个搜索操作,查询输入为 "Canada population 2023"。代理观察到了一个输出,即当前的加拿大人口数量,“根据Worldometer对联合国最新数据的分析,截至2023年5月8日星期一,加拿大目前的人口为38,681,797人”,然后确定这就是用户查询的答案。因此,代理输出了最终的答案,即 "The population of Canada as of 2023 be 38,681,797, Arg!",代码结束了 AgentExecutor 链的执行。
用户继续问,“How many in 2022?”(“2022年有多少?”),示例代码如下:
agent_executor.run("How many in 2022?")以上代码的运行结果为:
> Entering new AgentExecutor chain...
Thought: Hmm, I'm not sure what this question means. I better search for more information.
Action: Search
Action Input: "2022 events"
Observation:8. Humanitarian Crises Deepen · 7. Latin America Moves Left. · 6. Iranians Protest. · 5. COVID Eases. · 4. Inflation Returns. · 3. Climate Change ...
None of these seem to answer the question. I better try a different search.
Action: Search
Action Input: "What is happening in 2022?"
Observation:8. Humanitarian Crises Deepen · 7. Latin America Moves Left. · 6. Iranians Protest. · 5. COVID Eases. · 4. Inflation Returns. · 3. Climate Change ...
Blast it all, still no answer! I need to be more specific.
Action: Search
Action Input: "What is happening in the world in 2022?"
Observation:8. Humanitarian Crises Deepen · 7. Latin America Moves Left. · 6. Iranians Protest. · 5. COVID Eases. · 4. Inflation Returns. · 3. Climate Change ...
Ahoy, I finally found the answer I was looking for!
Final Answer: Arg, I still don't know what ye be asking, but if ye be asking what be happening in the world in 2022, then it be a year of humanitarian crises, Latin America moving left, Iranians protesting, COVID easing, inflation returning, and climate change.
> Finished chain.
"Arg, I still don't know what ye be asking, but if ye be asking what be happening in the world in 2022, then it be a year of humanitarian crises, Latin America moving left, Iranians protesting, COVID easing, inflation returning, and climate change."
以上日志展示了一个AgentExecutor的执行过程。首先,代码进入了一个新的 AgentExecutor 链,LLM 对用户的查询进行了思考,但是不确定答案。然后,代理执行了一个搜索操作,查询输入为 "2022 events",但是它没有找到任何有用的信息,所以代理又执行了一个搜索操作,查询输入为 "What is happening in 2022?",代理观察到了相同的输出,但是仍然没有找到答案。因此,代理执行了一个更具体的搜索操作,查询输入为 "What is happening in the world in 2022?",代理找到了答案,并输出了最终的答案,即 “我仍然不知道你在问什么,但如果你在问2022年世界上发生了什么,那么这将是人道主义危机、拉丁美洲左倾、伊朗人抗议、新冠疫情缓解、通货膨胀卷土重来和气候变化的一年”,代码结束了 AgentExecutor 链的执行。
课程名称:企业级ChatGPT开发入门实战直播21课
报名课程请联系:
Gavin老师:NLP_Matrix_Space
Sam工作人员NLP_ChatGPT_LLM
我们的两本最新书籍年底即将出版:
《企业级Transformer&ChatGPT解密:原理、源码及案例》《企业级Transformer&Rasa解密:原理、源码及案例》《企业级Transformer&ChatGPT解密:原理、源码及案例》本书以Transformer和ChatGPT技术为主线,系统剖析了Transformer架构的理论基础、模型设计与实现,Transformer语言模型GPT与BERT,ChatGPT技术及其开源实现,以及相关应用案例。内容涉及贝叶斯数学、注意力机制、语言模型、最大似然与贝叶斯推理等理论,和Transformer架构设计、GPT、BERT、ChatGPT等模型的实现细节,以及OpenAI API、ChatGPT提示工程、类ChatGPT大模型等应用。第一卷介绍了Transformer的Bayesian Transformer思想、架构设计与源码实现,Transformer语言模型的原理与机制,GPT自回归语言模型和BERT自编码语言模型的设计与实现。第二卷深入解析ChatGPT技术,包括ChatGPT发展历史、基本原理与项目实践,OpenAI API基础与高级应用,ChatGPT提示工程与多功能应用,类ChatGPT开源大模型技术与项目实践。
ChatGPT 技术:从基础应用到进阶实践涵盖了ChatGPT技术和OpenAI API的基础和应用,分为8个章节,从ChatGPT技术概述到类ChatGPT开源大模型技术的进阶项目实践。
1. ChatGPT技术概述:主要介绍了GPT-1、GPT-2、GPT-3、GPT-3.5和GPT-4的发展历程和技术特点,以及ChatGPT技术的基本原理和项目案例实战。
2. OpenAI API基础应用实践:主要介绍了OpenAI API模型及接口概述,以及如何使用OpenAI API进行向量检索和文本生成。
3. OpenAI API进阶应用实践:主要介绍了如何使用OpenAI API基于嵌入式向量检索实现问答系统,如何使用OpenAI API对特定领域模型进行微调。
4. ChatGPT提示工程基础知识:主要介绍了如何构建优质提示的两个关键原则,以及如何迭代快速开发构建优质提示。
5. ChatGPT提示工程实现多功能应用:主要介绍了如何使用ChatGPT提示工程实现概括总结、推断任务、文本转换和扩展功能。
6. ChatGPT提示工程构建聊天机器人:主要介绍了聊天机器人的应用场景,以及如何使用ChatGPT提示工程构建聊天机器人和订餐机器人。
7. 类ChatGPT开源大模型技术概述:主要介绍了类ChatGPT开源大模型的发展历程和技术特点,以及ChatGLM项目案例实践和LMFlow项目案例实践。
8. 类ChatGPT开源大模型进阶项目实践:主要介绍了类ChatGPT开源大模型的进阶项目实践,包括基于LoRA SFT RM RAFT技术进行模型微调、基于P-Tuning等技术对特定领域数据进行模型微调、基于LLama Index和Langchain技术的全面实践,以及使用向量检索技术对特定领域数据进行模型微调。
本书适用于NLP工程师、AI研究人员以及对Transformer和ChatGPT技术感兴趣的读者。通过学习,读者能够系统掌握Transformer理论基础,模型设计与训练推理全过程,理解ChatGPT技术内幕,并能运用OpenAI API、ChatGPT提示工程等技术进行项目实践。
Transformer作为目前NLP领域最为主流和成功的神经网络架构,ChatGPT作为Transformer技术在对话系统中的典型应用,本书内容涵盖了该领域的最新进展与技术。通过案例实践,使理论知识变成技能,这也是本书的独特之处。
《企业级Transformer&Rasa解密:原理、源码及案例》:是一本深入介绍Rasa对话机器人框架的实战开发指南。本书分为两卷,第一卷主要介绍基于Transformer的Rasa Internals解密,详细介绍了DIETClassifier和TED在Rasa架构中的实现和源码剖析。第二卷主要介绍Rasa 3.X硬核对话机器人应用开发,介绍了基于Rasa Interactive Learning和ElasticSearch的实战案例,以及通过Rasa Interactive Learning发现和解决对话机器人的Bugs案例实战。
第一卷中介绍了Rasa智能对话机器人中的Retrieval Model和Stateful Computations,解析了Rasa中去掉对话系统的Intent的内幕,深入研究了End2End Learning,讲解了全新一代可伸缩的DAG图架构的内幕,介绍了如何定制Graph NLU及Policies组件,讨论了自定义GraphComponent的内幕,从Python角度分析了GraphComponent接口,详细解释了自定义模型的create和load内幕,并讲述了自定义模型的languages及Packages支持。深入剖析了自定义组件Persistence源码,包括自定义对话机器人组件代码示例分析、Resource源码逐行解析、以及ModelStorage、ModelMetadata等逐行解析等。介绍了自定义组件Registering源码的内幕,包括采用Decorator进行Graph Component注册内幕源码分析、不同NLU和Policies组件Registering源码解析、以及手工实现类似于Rasa注册机制的Python Decorator全流程实现。讨论了自定义组件及常见组件源码的解析,包括自定义Dense Message Featurizer和Sparse Message Featurizer源码解析、Rasa的Tokenizer及WhitespaceTokenizer源码解析、以及CountVectorsFeaturizer及SpacyFeaturizer源码解析。深入剖析了框架核心graph.py源码,包括GraphNode源码逐行解析及Testing分析、GraphModelConfiguration、ExecutionContext、GraphNodeHook源码解析以及GraphComponent源码回顾及其应用源码。
第二卷主要介绍了基于Rasa Interactive Learning和ElasticSearch的实战案例,以及通过Rasa Interactive Learning发现和解决对话机器人的Bugs案例实战。介绍了使用Rasa Interactive Learning来调试nlu和prediction的案例实战,使用Rasa Interactive Learning来发现和解决对话机器人的Bugs案例实战介绍了使用Rasa Interactive Learning透视Rasa Form的NLU和Policies的内部工作机制案例实战,使用ElasticSearch来实现对话机器人的知识库功能,并介绍了相关的源码剖析和最佳实践,介绍了Rasa微服务和ElasticSearch整合中的代码架构分析,使用Rasa Interactive Learning对ConcertBot进行源码、流程及对话过程的内幕解密,介绍了使用Rasa来实现Helpdesk Assistant功能,并介绍了如何使用Debug模式进行Bug调试,使用Rasa Interactive Learning纠正Helpdesk Assistant中的NLU和Prediction错误,逐行解密Domain和Action微服务的源码。
本书适合对Rasa有一定了解的开发人员和研究人员,希望通过本书深入了解Rasa对话机器人的内部工作原理及其源代码实现方式。无论您是想要深入了解Rasa的工作原理还是想要扩展和定制Rasa,本书都将为您提供有价值的参考和指导。
《企业级Transformer&ChatGPT解密:原理、源码及案例》、《企业级Transformer&Rasa解密:原理、源码及案例》,是您深入学习的好选择,年底即将重磅出版,欢迎购买!
花粉社群VIP加油站
猜你喜欢