LlamaIndex • 2024-04-09

LlamaIndex 新闻通讯 2024-04-09

您好，LlamaIndex 成员们！🦙

欢迎来到 LlamaUniverse 激动人心的每周更新！我们很高兴向大家介绍一系列出色的更新，包括 Anthropic 的 Function Calling、Cookbooks、RankLLM、指南、教程等等。

🤩 亮点：

Anthropic 的 Claude Function Calling Agent：通过 Agent 框架中的高级工具调用，增强 QA/RAG 和工作流程自动化。 Notebook, 推文。
RankLLM 集成：RankLLM 是一个用于重新排名（reranking）的开源 LLM 合集，其性能超越基于 GPT-4 的替代方案，现已与 LlamaIndex 集成。 Notebook, 推文。
LlamaIndex + MistralAI Cookbook 系列：与 MistralAI 合作推出了一个 Cookbook 系列，用于构建多样化的 RAG 应用，涵盖从基础到高级的各种独特方法和抽象。 Cookbooks, 推文

我们推出了 Anthropic 的 Claude Function Calling Agent，利用 Agent 框架中的高级工具调用能力，增强 QA/RAG 和工作流程自动化。 Notebook, 推文。
RankLLM (由 Ronak Pradeep 开发) 与 LlamaIndex 集成 - RankLLM 是一个针对重新排名（reranking）进行微调的开源 LLM 合集，提供顶尖结果，并优于基于 GPT-4 的 reranker。 Notebook, 推文。
我们推出了 LlamaIndex + MistralAI Cookbook 系列，用于创建各种 RAG 应用，从简单设置到高级 Agent，具有独特的抽象和技术。 Cookbooks, 推文
我们推出了 create-llama，只需一个 CLI 命令即可构建全栈 RAG/Agent 应用，类似于 create-react-app，实现包括工具使用在内的全面聊天机器人设置。推文。

AutoRAG (由 Marker-Inc-Korea 开发)：通过自动化的三步流程优化 RAG 管道，从数据准备到评估和最佳管道采用，使用 LlamaIndex 提高 RAG 管道的效率。

指南：使用时间过滤器构建高级 RAG - 了解如何使用时间元数据增强 RAG 管道，结合 LlamaIndex 和 KDB.AI 向量存储，实现更有效的财务报告分析。
指南：自适应 RAG，根据查询复杂度动态选择 RAG 策略，提高处理不同类型问题的效率。

(λx.x)eranga 的 教程：分步构建使用本地模型（LlamaIndex, Ollama, HuggingFace Embeddings, ChromaDB）的 RAG 应用，并将其打包到 Flask 服务器中。
Ivan Ilin 的视频教程：关于 iki.ai - 一个由 LLM 驱动的数字图书馆，用于在团队或组织内部整理和共享信息。
教程：如何使用 Koyeb 扩展 LLM 应用 - 在 Koyeb 上部署一个全栈 RAG 应用到全球，无需基础设施设置，使用 Koyeb, LlamaIndex.TS 和 TogetherAI。
Ankush Singal 的教程：使用 LlamaIndex 构建多文档 Agent - 涵盖高级多文档 Agent 概念，其中文档作为子 Agent，实现复杂的 QA、语义搜索和摘要。
Rohan 的教程：构建一个全栈 RAG 应用，通过事件队列和服务器端事件将中间结果流式传输到可视化 UI 组件。
Hanane Dupouy 的教程：使用 LLM 构建一个金融 Agent - 结合 Yahoo Finance 和 LlamaIndex 抽象，分析上市公司财务数据，涵盖从资产负债表到股票推荐的所有内容。