RAG using Llama3 Langchain and ChromaDB
1.0.0
使用 Llama3、Langchain 和 ChromaDB 的 RAG
该项目利用Llama3 Langchain和ChromaDB建立检索增强生成（RAG）系统。该系统使您能够提出有关文档的问题，即使该信息未包含在大型语言模型 (LLM) 的培训数据中。检索增强生成的工作原理是在提出问题时首先执行检索步骤。此步骤从特殊的向量数据库中获取相关文档，文档已在该数据库中建立索引。
预训练的 Llama3 模型使用超过 15 万亿个代币进行了微调，并拥有 8 至 700 亿个参数，使其成为最强大的开源模型之一。与之前的 Llama2 型号相比，它具有显着的进步。
该项目利用 Langchain、ChromaDB 和 Llama3 作为法学硕士，成功实施了检索增强生成 (RAG) 解决方案。为了评估系统的性能，我们利用了 2023 年起的欧盟人工智能法案。结果表明，RAG 模型可以准确回答有关该法案的问题。
未来的工作⚡
为了进一步增强该解决方案，我们将重点改进 RAG 实施。这将涉及优化文档嵌入并探索更复杂的 RAG 架构的使用。
??META LLAMA3 GENAI 真实世界用例端到端实施指南⚡
使用 PyTorch FSDP 和 Q-Lora 有效微调 Llama 3：实施指南
在 Amazon SageMaker 上部署 Llama 3：实施指南
使用 Llama3、Langchain 和 ChromaDB 的 RAG：实施指南 1
像专业人士一样提示 Llama 3：实施指南
用一些数学问题测试 Llama3：实施指南
Llama3 请为我编写代码：实施指南
在 Amazing Streamlit UI 上使用 NVIDIA 端点运行 LLAMA-3 70B LLM：实施指南
Llama 3 ORPO 微调：实施指南
Meta 的 LLaMA3-量化：实施指南
使用 QLoRA 微调 Llama3：实施指南
Llama3 Qlora 推理：实施指南
Beam_Llama3-8B-finetune_task：实施指南
使用 Unsloth 对自定义数据集进行 Llama-3 微调：实施指南
使用 Llama3、Ollama 和 ChromaDB 的 RAG：实施指南
Llama3 用例：实施指南
使用 Ro-LLM、Langchain 和 ChromaDB 的 RAG：实施指南
