Wenn Sie jemals versucht haben, ein Agentenlag -System zu bauen, das tatsächlich intestine funktioniert, kennen Sie die Schmerzen. Sie füttern einige Dokumente, überqueren die Finger und hoffen, dass es nicht halluziniert, wenn jemand es eine einfache Frage stellt. Meistens erhalten Sie wieder irrelevante Textbrocken, die kaum beantworten, was gefragt wurde.
Elysia versucht, dieses Chaos zu beheben, und ehrlich gesagt ist ihr Ansatz ziemlich kreativ. Dieser Open-Supply-Python-Framework erstellt von den Leuten von Weaviate und wirft nicht nur mehr KI auf das Drawback, sondern überdenken vollständig, wie KI-Agenten mit Ihren Daten arbeiten sollten.
Notiz: Python 3.12 erforderlich
Was ist wirklich falsch mit den meisten Lappensystemen
Hier ist das, was alle verrückt macht: Traditionelle Lag -Systeme sind im Grunde genommen blind. Sie nehmen Ihre Frage, konvertieren sie in Vektoren, finden einen ähnlichen „ähnlichen“ Textual content und hoffen auf das Beste. Es ist, als würde man jemanden bitten, Sie ein gutes Restaurant zu finden, während er eine Augenbinde trägt – sie könnten Glück haben, aber wahrscheinlich nicht.
Die meisten Systeme lassen auch jedes mögliche Software auf der KI gleichzeitig ab, was so ist, als würde man einen Kleinkindzugriff auf Ihre gesamte Toolbox gewähren und erwarten, dass sie ein Bücherregal erstellen.
Elysias drei Säulen:
1) Entscheidungsbäume
Anstatt AI -Agenten jedes Werkzeug gleichzeitig zu geben, führt Elysia sie durch a Strukturierte Knoten für Entscheidungen. Stellen Sie sich es wie ein Circulate -Chancer vor, das tatsächlich Sinn macht. Jeder Schritt hat einen Kontext darüber, was zuvor passiert ist und welche Optionen als nächstes kommen.
Der wirklich coole Teil? Das System zeigt Ihnen genau, in welchem Weg der Agent eingenommen hat und warum. Wenn additionally etwas schief geht, können Sie ihn tatsächlich debuggen, anstatt nur zuckt und es erneut versucht.
Wenn die KI merkt, dass sie etwas nicht tun kann (wie bei der Suche nach Autopreisen in einer Make -up -Datenbank), versucht es nicht nur für immer. Es setzt eine „unmögliche Flagge“ und bewegt sich weiter, was offensichtlich klingt, aber anscheinend erfunden werden musste.
2) Anzeige der Good -Datenquelle
Erinnerst du dich, als jede KI nur Textabsätze ausspuckte? Elysia eigentlich Schauen Sie sich Ihre Daten an Und ermittelt heraus, wie man es richtig zeigt. Haben Sie E-Commerce-Produkte? Sie erhalten Produktkarten. GitHub -Probleme? Sie erhalten Ticketlayouts. Tabellenkalkulationsdaten? Sie erhalten echte Tische.
Das System untersucht zuerst Ihre Datenstruktur – die Felder, die Typen, die Beziehungen – und wählt dann einen der aus Sieben Formate Das macht Sinn.
3) Datenkompetenz
Dies könnte der größte Unterschied sein. Bevor Elysia etwas sucht, es Analysiert Ihre Datenbank zu verstehen, was tatsächlich da drin ist. Es kann zusammenfassen, Metadaten erzeugen und Anzeigetypen auswählen. Es schaut:
- Welche Arten von Feldern haben Sie
- Wie die Datenbereiche aussehen
- Wie unterschiedliche Stücke miteinander beziehen
- Was wäre sinnvoll zu suchen
Wie funktioniert es?
Aus Suggestions lernen
Elysia erinnert sich, als Benutzer sagen „Ja, das battle hilfreich“ und verwendet diese Beispiele dazu zukünftige Antworten verbessern. Aber das tut dies clever – Ihr Suggestions durchfällt die Ergebnisse anderer Menschen und es hilft dem System, besser zu antworten dein spezifische Arten von Fragen.
Dies bedeutet, dass Sie kleinere, billigere Modelle verwenden können, die immer noch gute Ergebnisse liefern, da sie aus tatsächlichen Erfolgsfällen lernen.
Chunking, das Sinn macht
Die meisten Lag -Systeme zerlegen alle Ihre Dokumente im Voraus, die jede Menge Speicher verwenden und häufig seltsame Pausen erzeugen. Elysia Brocken dokumenten nur bei Bedarf. Es durchsucht zuerst vollständige Dokumente. Wenn ein Dokument related aussieht, aber zu lang ist, wird es im laufenden Flug abgebrochen.
Dies spart Speicherplatz und funktioniert tatsächlich besser, da die Chunking -Entscheidungen darüber informiert werden, was der Benutzer tatsächlich sucht.
Modellrouting
Unterschiedliche Aufgaben benötigen unterschiedliche Modelle. Einfache Fragen benötigen keine GPT-4, und eine komplexe Analyse funktioniert bei winzigen Modellen nicht intestine. Elysia Routes automatisch Aufgaben zum richtigen Modell basierend auf Komplexität, der Geld spart und die Geschwindigkeit verbessert.
Erste Schritte
Das Setup ist recht einfach:
pip set up elysia-ai
elysia beginDas battle’s. Sie erhalten sowohl eine Weboberfläche als auch das Python -Framework.
Für Entwickler, die Dinge anpassen möchten:
from elysia import device, Tree
tree = Tree()
@device(tree=tree)
async def add(x: int, y: int) -> int:
return x + y
tree("What's the sum of 9009 and 6006?")
Wenn Sie Weaviate -Daten haben, ist dies noch einfacher:
import elysia
tree = elysia.Tree()
response, objects = tree(
"What are the ten costliest objects within the Ecommerce assortment?",
collection_names = ("Ecommerce")
)
Beispiel für reale Welt: Glowe’s Chatbot
Der Glowe Skincare Chatbot -Plattform Verwendet Elysia, um komplexe Produktempfehlungen zu behandeln. Benutzer können Dinge wie „Welche Produkte funktionieren intestine mit Retinol zusammen, irritieren aber keine empfindliche Haut?“ und erhalten Sie intelligente Antworten, die Zutateninteraktionen, Benutzerpräferenzen und Produktverfügbarkeit berücksichtigen.
Dies ist nicht nur das Schlüsselwort -Übereinstimmung, sondern es ist ein Verständnis des Kontextes und der Beziehung zwischen Zutaten, Benutzergeschichte und Produkteigenschaften auf eine Weise, die wirklich schwer manuell zu codieren ist. Youtube
Zusammenfassung
Elysia repräsentiert den Versuch von Weaviate, über die traditionellen Ask-Retieve-Generate-Lappenmuster hinauszugehen, indem Entscheidungsträger, adaptive Datenpräsentation und das Lernen aus dem Benutzerfedback kombiniert werden. Anstatt nur Textantworten zu generieren, analysiert sie vorher die Datenstruktur und wählt geeignete Anzeigformate aus, während die Transparenz in seinem Entscheidungsprozess beibehalten wird. Wie der geplante Ersatz von Weaviate für ihr Verba Rag-System bietet eine Grundlage für den Aufbau von ausgefeilteren KI-Anwendungen, die verstehen, was die Benutzer fragen, und wie Antworten effektiv präsentiert werden können, wenn dies jedoch zu einer sinnvoll besseren Leistung der realen Welt führt, bleibt abzuwarten, da sie noch in der Beta-Seite ist.
Schauen Sie sich das an Technische Particulars Und Github -Seite. Fühlen Sie sich frei, unsere zu überprüfen Github -Seite für Tutorials, Codes und Notizbücher. Fühlen Sie sich auch frei, uns zu folgen Twitter Und vergessen Sie nicht, sich unserer anzuschließen 100k+ ml Subreddit und abonnieren Unser Publication.
Asif Razzaq ist der CEO von Marktechpost Media Inc. Sein jüngstes Bestreben ist die Einführung einer Medienplattform für künstliche Intelligenz, Marktechpost, die sich durch die ausführliche Berichterstattung über maschinelles Lernen und Deep-Studying-Nachrichten auszeichnet, die von einem breiten Publikum technisch intestine und leicht verständlich sind. Die Plattform verfügt über über 2 Millionen monatliche Ansichten und veranschaulicht ihre Beliebtheit des Publikums.