系列文章
【Day 22】- CRAG: 檢索增強生成的糾錯機制 - 提升大型語言模型問答精確度
摘要這篇文章介紹了一種名為「Corrective RAG (CRAG)」的技術，旨在提升大型語言模型（LLM）在問答系統中的準確性和可靠性。CRAG 的核心思...
【Day 23】- Adaptive-RAG：動態檢索策略提高系統問答精準度
摘要這篇文件介紹了一種名為「Adaptive-RAG」的技術，它旨在提升問答系統的準確性和效率。Adaptive-RAG 的核心概念是根據使用者查詢的複雜度動...
【Day 24】- GraphRAG：革新檢索增強生成的新範式
摘要這篇文章介紹了一種名為 GraphRAG 的新型檢索增強生成技術，它由微軟研究團隊提出，旨在突破傳統 RAG 方法在處理複雜資訊時的局限性。GraphRA...
【Day 26】- Ollama: 革命性工具讓本地 AI 開發觸手可及 - 從安裝到進階應用的完整指南
摘要這篇文章是一篇關於 Ollama 的詳細指南，介紹了 Ollama 這個開源本地大型語言模型運行框架。文章首先介紹了 Ollama 的背景、特性和優點，強...
【Day 27】- 告別提示工程：DSPy如何革新大型語言模型的應用開發
摘要DSPy 是一個由 Stanford NLP 研究人員開發的框架，旨在簡化大型語言模型 (LLM) 的開發。它以 "Programming, n...
【Day 28】- 從零開始的 DSPy：打造高效翻譯錯誤檢測系統
摘要這篇文章介紹了一個名為 DSPy 的 AI 開發框架，它能夠幫助開發者更有效地構建和優化語言模型。文章從一個翻譯錯誤檢測任務為例，一步一步地示範了如何使用...
【Day 25】- 數位轉型下的工安革命：知識圖譜與LangGraph的完美結合
摘要這篇文章深入探討了如何將知識圖譜與 LangGraph 結合，打造一個智慧化的工安監控管理系統。文章首先介紹了知識圖譜在管理工安資料的優勢，包括儲存結構化...
【Day 29】- 網站開發遇上 AI：FastAPI、Streamlit 與 LangServe 的實戰指南
摘要這篇文章旨在引導讀者學習如何利用 FastAPI 建構高效的後端服務，使用 Streamlit 打造互動式前端介面，並透過 LangServe 將 Lan...
【Day 30】- 從 LangGraph 到使用者介面：整合 FastAPI 與 Streamlit 的全方位指南
摘要文章首先概述了專案的核心目標，包括 理解自然語言查詢、進行即時網路搜尋、提供準確相關的答案、支援多輪對話、提供流暢的使用體驗。接著，文章深入分析了系統的架...
【Day 20】- 結合 LangGraph 與 MongoDB 打造智慧工地安全監控系統：Agentic RAG 技術應用實例
摘要這篇文章探討了如何將 LangGraph 的強大功能與 MongoDB 的資料儲存和檢索能力相結合，打造一個智慧的工地安全監控系統。文章首先介紹了 Lan...