LlamaIndex • 2024-06-18
LlamaIndex 周报 2024-06-18
嘿，Llama 追随者们🦙
欢迎阅读本周的 LlamaIndex 周报！我们为您带来一系列令人兴奋的更新和宝贵资源，从将 Mixture-of-Agents (MoA) 论文作为 LlamaPack 集成，到 AtomicWork 的 Atom AI 助手如何利用 LlamaIndex 提高生产力并有效管理数据。请务必查看我们的深度指南、教育教程和网络研讨会，以深入了解我们的工具。
🤩 本周亮点：
- Mixture-of-Agents (MoA) LlamaPack： 我们集成了 Mixture-of-Agents (MoA)，这表明开源 LLMs 可以提升任务能力。MoA 在 AlpacaEval 2.0 基准测试中优于 GPT-4 Omni。LlamaPack, 推文。
- TiDB 集成 LlamaIndex： PingCap 现已将其 TiDB 数据库与我们的 LlamaIndex 知识图谱功能集成，并作为开源项目发布。文档, 推文。
- RAG 和 Agents Cookbook： 我们发布了一份详细的关于构建 RAG 和 Agents 的 Cookbook。这份指南通过我们的 LlamaIndex Instrumentation 模块和 ArizeAI 增强了可观测性。Notebook, 推文。
- AtomicWork 的企业 AI 助手： AtomicWork 的企业 AI 助手 Atom 利用 LlamaIndex 处理各种数据格式，从而提高生产力并改善员工体验。请查看他们详细的博客了解详情。
- 如何在 Excel 文件上进行 RAG：使用 LlamaParse 将 Excel 文件精确表示为空间网格格式，增强数据解释并减少问答错误。指南。
✨ 功能发布和增强
- 我们将来自 TogetherAI 的 Mixture-of-Agents (MoA) 论文作为 LlamaPack 集成，以证明开源大型语言模型 (LLMs) 可以增强任务能力。该论文表明，MoA 在 AlpacaEval 2.0 基准测试中优于 GPT-4 Omni。LlamaPack, 推文。
- PingCap 现已将其 TiDB 数据库与我们的 LlamaIndex 知识图谱功能集成，并作为开源项目发布。 文档, 推文。
- 我们发布了一份详细的关于构建 RAG 和 Agents 的 Cookbook，该 Cookbook 利用我们的 LlamaIndex Instrumentation 模块和 ArizeAI，在整个调用栈中提供了超强的可观测性。Notebook, 推文。
- 我们发布了在 Data AI Summit 上关于“在 Databricks 上构建高级研究代理”演讲的 workshop 幻灯片和 notebook。本次 workshop 专注于增强研究助手，使其超越标准的 RAG 设置。幻灯片, Notebook1, Notebook2, 推文。
💡 真实世界用例
- AtomicWork 的企业 AI 助手 Atom 利用 LlamaIndex 处理各种数据格式，确保数据检索准确且安全。Atom 有效地增强了决策制定和非结构化数据管理，提高了生产力并改善了员工体验。请查看他们详细的博客了解详情。
🗺️ 指南
- 如何在 Excel 文件上进行 RAG：使用 LlamaParse 将 Excel 文件精确表示为空间网格格式，增强数据解释并减少问答错误。指南。
- 由 Pavan Belagatti 使用 Claude-3 和 SingleStoreDB 构建多模态 RAG Pipeline 的指南。
- 使用 MistralAI、Ollama 和 LlamaIndex 构建完全本地化 RAG 应用的指南。
✍️ 教程
- Tomaz Bratanic 关于构建知识图谱、执行实体去重、设计自定义图检索器和实现问答流程的教程。
- Mervin Praison 关于使用本地模型和 chainlit 创建代理核心组件的教程，涵盖定义工具、将其集成到代理推理循环中，并用用户界面封装整个过程。
- Arkiti 关于使用 Llama 3 和 GroqInc 构建动态 Text-to-SQL 解决方案的教程，其中重点介绍了 SingleStoreDB Helios 在多云部署中可扩展且快速的强大能力。
- Kingzzm 关于高级 RAG 模式的教程，详细介绍了处理包含嵌入表格的文档的有效策略，以及如何利用 LlamaParse 和 Nougat 等工具来提升问答性能。