Создайте конвейер LLM на Python с RAG, используя LangChain и Mongo Vector DB скачать в хорошем качестве

Создайте конвейер LLM на Python с RAG, используя LangChain и Mongo Vector DB

Это видео о системе RAG на Python: создание векторной базы данных в Mongo. В этом руководстве вы узнаете, как построить конвейер модели изучения языка (LLM) на Python с использованием технологии дополненной генерации поиска (RAG) и LangChain. Мы создадим систему семантического поиска по векторной базе данных с помощью MongoDB Atlas и интегрируем её с LLM с помощью API Gemini от Google. Это пошаговое руководство охватывает все этапы: от настройки базы данных MongoDB и создания вложений с помощью преобразователей предложений Hugging Face до запросов к LLM на получение определённых данных. К концу этого видео у вас будет полнофункциональная система RAG, способная выполнять осмысленный семантический поиск и генерировать ответы LLM. Не забудьте поставить лайк, подписаться и проверить полный код в репозитории GitHub. https://github.com/kirkmcpherson/rag_... 00:00 Введение в построение конвейера LLM 00:37 Настройка MongoDB Atlas 03:01 Создание среды Python 04:54 Инициализация модели с помощью Hugging Face 07:50 Загрузка и разбиение данных на фрагменты 12:08 Создание вложений и вставка в MongoDB 19:52 Построение конвейера запросов с помощью LangChain 20:14 Выполнение запросов к Google Gemini LLM 28:17 Финальное тестирование и заключение