LlamaIndex Newsletter 2023–11–28

你好，我们的 Llama 社区！🦙

希望您的感恩节过得愉快！我们很高兴地宣布一个重要的里程碑：LlamaIndex 的 Python 包达到了每月 **100 万次下载量**！衷心感谢大家的支持、反馈和贡献，它们为我们的旅程提供了动力。请继续关注更多即将推出的令人兴奋的新产品和功能。

如果您有引人入胜的项目或视频希望分享，我们非常乐意看到！欢迎发送至 news@llamaindex.ai。别忘了在我们的网站订阅我们的时事通讯，以保持联系。我们迫不及待地想在那里与您交流！

🤩 **首先，是亮点：**

• **发布了 Llama Packs：**预打包的模块和模板，简化了 LLM 应用程序开发。博客，推文。
• **RAGs 项目：**只需对话即可构建您自己的检索增强生成应用程序。项目，推文。
• **引入了 FuzzyCitationEnginePack：**通过模糊匹配，精确地将 LLM 响应与源句子对齐，作为一个易于实现的 LlamaPack 提供。文档，推文。

本周即将进行：周四 30 日，我们自己的 Yi Ding 将主持一个关于使用 LlamaIndex 构建开源 RAG 应用程序的讲座。在此免费注册

✨ 功能发布和增强

• 我们推出了 Llama Packs 🦙📦，这是一系列预打包的模块和模板，旨在加速您的 LLM 应用程序开发。这些 Packs 消除了为每个用例组装和调优自定义组件的需要。博客，推文。
• 受 OpenAI GPTs 的启发，我们推出了 RAGs 项目，用于使用自然语言编程 AI 智能体。我们的方法包括一个“Builder Agent”，它构建一个针对特定任务量身定制的“Custom Agent”，其中包含用于设置系统提示、加载数据、模型配置和 RAG 参数调整的工具。项目，推文。
• 我们推出了一个 LlamaPack，只需一行代码即可设置完全本地的 RAG pipeline。此 Pack 包含 Zephyr-7b 作为 LLM，bge-base 作为嵌入模型。文档，推文。
• 我们引入了 **FuzzyCitationEnginePack**，它使用模糊匹配将 RAG pipeline 生成的 LLM 响应部分映射到源上下文中的确切句子。这项创新提高了引用的准确性，现已作为一个 LlamaPack 提供，只需一行代码即可轻松实现。文档，推文。

👀 演示

• AI-Einblick Prompt 是一个 JupyterLab 扩展，它利用由 LlamaIndex 提供支持的 OpenAI GPT 3.5 和 4，通过生成、修改和修复代码、创建图表以及构建模型来辅助数据科学工作流程，并无缝集成到 JupyterLab 环境中。项目，推文。
• **Ranya Khemiri** 将一篇研究论文上传到 RAGs 中以帮助完成学校作业，并观察到比使用 ChatGPT 进行文件检索更好的结果。博客，推文。

🤝 集成

• CogniSwitch 引入了一种融合 RAG 方法，结合向量、知识图谱和规则，以简化摄取和检索。这使得使用方式灵活多样，既可以作为独立的查询引擎，也可以作为 LlamaIndex 智能体内的集成工具。文档，推文。

🗺️ 指南

• 指南：使用 create-llama 将您的 RAG 应用程序发布到生产环境。
• 指南：关于多模态模型。我们的比较表详细列出了图像推理、嵌入和合成能力的差异。我们还提供了关于向量存储多模态支持的见解，重点关注图像支持以及未来音频/视频的集成。
• 指南：Gradient AI 关于企业 AI 入门指南。这篇入门指南解释了检索增强生成 (RAG)、其对企业的重要性，以及如何平衡微调、提示工程和 RAG 以获得最佳结果，同时还提供了 RAG 优化的策略。

✍️ 教程

• Ankush k Singal 制作了使用 LlamaIndex 和 Zephyr 7b LLM 进行文档提取的教程。
• Wenqi Glantz 制作了使用 LlamaIndex 自动化超参数调优的教程。
• Tonic AI 关于 OpenAI Assistant API 与 LlamaIndex RAG 的分析。
• **Pradip Nichite** 制作了****使用 RAGs 的视频教程，提供了易于遵循的说明，教您如何构建或定制一个能够对数据进行高级摘要的聊天机器人，即使对于非开发人员也易于上手。

🎥 **网络研讨会：**

• Jerry Liu 与 Arize AI 共同主持了一个关于 LLM 检索评估的网络研讨会。