2024-04-16

LlamaIndex 周报 2024-04-16

大家好，LlamaIndex 大家庭！🦙

欢迎阅读来自 LlamaGalaxy 的又一周激动人心的更新！我们很高兴为您带来各种优秀的更新，包括 Chain of Abstraction LlamaPack、create-tsi、演示、指南、教程等等。

在深入了解这些更新之前，我们为您准备了一个激动人心的智能体与工具系列教程。该系列非常适合初学者，涵盖了从高级 QA/RAG 实现到逐步执行的所有内容。学完后，您将对如何结合工具使用智能体推理来构建简单应用程序有更深入的了解。欢迎查看

🤩 重点：

Chain of Abstraction LlamaPack：Silin Gao 团队引入的 Chain of Abstraction 技术作为 LlamaPack，是一种实现多步推理以增强工具使用的方法。LlamaPack, 推文。
Create-tsi 工具包：发布了一个用于构建全栈 RAG 应用的工具包，具有网页抓取、本地文件索引和多语言支持等可定制功能，所有数据均托管在欧盟数据中心。代码, 推文。
改进的智能体控制：工具中的 return_direct 功能允许直接返回输出，降低成本并提高响应效率。文档, 推文。

我们推出了由 Silin Gao 及其团队开发的 Chain of Abstraction 技术作为 LlamaPack，这种新方法使 LLM 能够生成多步推理链以进行高效的序列规划，从而超越单次函数调用，增强了工具使用能力。LlamaPack, 推文。
我们推出了 create-tsi：这是一个与 T-Systems 和 Marcus Schiesser 合作开发的工具包，通过 CLI 接口生成符合 GDPR 规范的全栈 AI 应用。构建具有网页抓取、本地文件索引和多语言支持等可定制功能的企业级 RAG 机器人，所有数据均托管在欧盟数据中心。代码, 推文。
我们在工具中引入了 return_direct 功能，通过允许将直接输出作为最终响应返回，增强了智能体的可控性。这优化了延迟和成本，并在预订确认或回答查询等关键操作后有效停止智能体。文档, 推文。

RAG 增强的 MetaGPT：一个强大的多智能体框架，具有结构化的团队动态以解决问题，现已通过 LlamaIndex 模块提供的领域特定知识进行了增强。该框架支持多样化的数据输入、复杂的检索选项和高效的数据管理，以提升智能体性能。

Hamza Gharbi 撰写的构建和评估高级 RAG 指南，介绍了如何设置基本的 RAG 流水线、定义自定义评估函数和优化检索技术。
论文作者是 Markus J. Buehler 教授：使用 LLM 生成的知识图谱加速生物材料发现 - 本研究展示了如何从 1000 多篇科学论文构建的综合知识图谱揭示新的见解和联系，通过艺术作为灵感推动生物材料创新。知识图谱的构建得益于 LlamaIndex 模块的帮助。
使用 AWS Bedrock 构建全栈 RAG 应用指南：设置 Bedrock embeddings，使用 LlamaIndex 进行 PDF 检索，并构建交互式 Streamlit 界面，对于刚开始使用 AWS 服务的企业来说是理想资源。
构建轻量级 ColBERT 检索智能体指南：学习如何创建一个能够进行高级文档检索并维护会话记忆的智能体，而无需复杂重量级智能体框架。
最佳 RAG 技术指南：Matous Eibich 的“ARAGOG”论文是一项全面的评估调查，探讨了从经典向量数据库到 LlamaIndex 高级技术的各种 RAG 方法。主要发现强调了 HyDE、LLM 重排序和句子窗口检索在提高精度和答案相似性方面的有效性。

Akash Mathur 关于 LlamaIndex 中的数据管理教程：本教程介绍了 LlamaCloud 及其开源对应产品，展示了高效的实时数据处理，以最大程度地降低 LLM 应用中的成本和延迟。
Leonie 的交互式教程，教您创建一个可以与 GitHub 仓库中的代码对话的应用。
kingzzm 关于增强 RAG 性能的教程，通过自动合并检索动态创建连续块来克服 RAG 构建中“上下文断裂”的问题。
Activeloop 关于用于药丸搜索的多模态 RAG 教程，教您如何使用图像和文本识别药丸。这有助于识别未知药丸、检查药物相互作用和副作用以及确认正确的剂量。
Yu Fanghua 关于使用 LlamaParse 从文档创建知识图谱的教程。