隨著 LLaMA3 的發布，人們對能夠在本地可靠運行（例如，在筆記型電腦上）的代理產生了濃厚的興趣。在這裡，我們展示如何使用 LangGraph 和 LLaMA3-8b 從頭開始建立可靠的本地代理。我們將 3 篇高級 RAG 論文（Adaptive RAG、Corritive RAG 和 Self-RAG）的想法結合到一個控制流程中。我們在本地使用本地向量儲存 c/o @nomic_ai 和 @trychroma、用於網路搜尋的 @tavilyai 以及透過 @ollama 運行 LLaMA3-8b。
Embedding models 是一種專門用於生成向量嵌入的模型：長數組數字，代表給定文本序列的語義含義。生成的向量嵌入數組然後可以存儲在數據庫中，該數據庫將它們作為一種方式進行比較，以搜索具有相似含義的數據。
Embedding models 的工作原理是將文本分解為單詞或短語序列，然後為每個單詞或短語分配一個向量。這些向量通常是高維的，可以捕獲單詞或短語的語義含義。例如，單詞“國王”和“女王”可能具有相似的向量，因為它們都與皇室有關。
Embedding models 有許多應用，包括：
Embedding models 是一種強大的工具，可用於提高各種任務的性能。它們是 NLP、IR 和 CV 等領域的重要研究領域。
PromeAI – 使用終極 AI 藝術生成器釋放您的創意潛力。將草圖轉換為逼真的照片和高品質影片。從草圖、照片或文字生成令人驚嘆的 AI 藝術、3D 渲染、插圖、繪畫、標誌、動漫、逼真照片和影片。
低程式碼 LLM 應用程序構建平台，允許創建和部署大型語言模型 (LLM) 的應用程序。FlowiseAI 提供一個拖放式界面，使開發人員能夠輕鬆地將 LLM 功能集成到他們的應用程序中，即使他們沒有機器學習方面的經驗。
FlowiseAI 的一些主要功能包括：
FlowiseAI 是個強大的工具，可用於創建各種 LLM 應用程序。它對於希望快速輕鬆地將 LLM 功能集成到其應用程序中的開發人員來說是一個很好的選擇。
以下是一些使用 FlowiseAI 創建的應用程序示例：
Patchscopes 是由 Google AI 研究人員提出的一個統一框架，用於以自然語言檢查大型語言模型 (LLM) 的隱藏表示。它利用 LLM 自身的能力來解釋其內部表示，並解決了先前解釋性方法的許多缺點。
Patchscopes 的工作原理是將來自源提示的表示“修補”到目標提示的推理過程中的特定層中。源提示旨在引導 LLM 執行要檢查的計算，而目標提示旨在鼓勵提取該計算的結果。例如，要檢查 LLM 如何表示“首席執行官”這個詞，可以將表示“首席執行官”的表示修補到目標提示中的“？”令牌上，並觀察 LLM 生成什麼輸出。
Patchscopes 具有以下優點：
Patchscopes 已被用於回答有關 LLM 的各種問題，包括：
Patchscopes 是一個強大的工具，可用於解釋 LLM 的行為並提高其透明度。它有可能在 LLM 的開發和應用中發揮重要作用。
以下是一些關於 Patchscopes 的其他資源：
建立學習專案概念和發展基本技能的最有效方法之一。專案讓您沉浸解決現實世界中的問題，鞏固您的知識並培養批判性思維、適應能力和專案管理專業知識。本指南將引導您建立量身訂製的電影推薦系統
