素材网站都有哪些东莞网站建设基础

素材网站都有哪些,东莞网站建设基础,网站的搜索引擎,云南楚雄医药高等专科学校人工智能应用面临的挑战之一是处理海量文本数据。传统分块技术常常会遗漏上下文关联#xff0c;这降低了基于检索的 AI 模型的效用。而智能主体分块#xff08;Agentic Chunking#xff09; 作为一种更智能的文档分割方法#xff0c;能够提升检索、总结和处理效率#xff…人工智能应用面临的挑战之一是处理海量文本数据。传统分块技术常常会遗漏上下文关联这降低了基于检索的 AI 模型的效用。而智能主体分块Agentic Chunking作为一种更智能的文档分割方法能够提升检索、总结和处理效率可有效解决这一问题。本文主要有以下内容智能主体分块的定义及其重要性大型语言模型LLMs如何助力生成有意义的文本片段向量存储与嵌入Embeddings在智能检索中的作用一个实用的 Python 实现方案该方案运用了 Hugging Face、Pinecone 和 LangChain 工具通过阅读本文你将了解智能主体分块如何通过将非结构化文本转化为可检索的知识从而释放 AI 应用的潜力。一、什么是智能主体分块传统分块技术会使用任意分隔符如换行符、固定令牌数量限制或句子数量来自动分割文本。这往往会导致上下文丢失关键概念要么被遗漏要么分散在多个片段中。智能主体分块则采用了更智能的方法识别逻辑断点例如章节、主题或论证流程的自然分隔处借助 AI 为每个分块生成标题和摘要以便于检索通过分块间的内容重叠保持上下文的连贯性这种方法确保每个分块都包含一个完整、独立的概念从而提升了 AI 驱动的检索和总结效果。二、智能主体分块的工作原理1. 文本提取与清洗PDF 和各类文档中通常包含冗余信息如页眉、页脚、页码我们使用 PDFMiner 工具提取原始文本并清理其中不必要的元素2. 智能文本分割智能主体分块不采用僵化的令牌数量限制而是动态分割文本一级分割按逻辑结构页面、章节、段落分割二级分割采用滑动窗口法确保分块间存在内容重叠3. 借助 LLM 生成摘要与标题利用大型语言模型如 deepseek对每个分块进行优化生成关键信息的简洁摘要创建描述性标题方便快速查阅4. 嵌入处理与 Pinecone 存储将每个分块转换为向量嵌入使用 Hugging Face 模型存储到 Pinecone 中实现语义搜索和高效检索三、智能主体分块的核心优势更精准的 AI 检索AI 不再检索随机的文本片段而是获取连贯、带摘要的完整章节更优质的总结效果AI 生成的摘要能保留关键信息降低 “幻觉”生成虚假信息的风险更快的搜索与检索速度Pinecone 向量存储支持基于语义含义的即时查询而非仅依赖关键词更贴近人类的 AI 响应应用于聊天机器人和检索增强生成RAG时响应会更具上下文关联性和针对性四、代码实现智能主体分块的实际应用下面将逐步介绍 Python 实现方案。该系统可实现以下功能从 PDF 中提取文本采用上下文感知方法对文本进行分块借助 deepseek 为每个分块生成摘要和标题使用 Hugging Face 对分块进行嵌入处理存储到 Pinecone 中以备检索使用1. 从 PDF 中提取文本from pdfminer.high_level import extract_text def extract_text_from_pdf(pdf_path: str) - str: 从pdf中抽取文本 try: return extract_text(pdf_path) except Exception as e: print(f提取错误 {pdf_path}: {e}) return 2. 文本清洗与预处理import re def clean_text(text: str) - str: 移除不需要的字符 text re.sub(r[^A-Za-z0-9\s.,;:()\-], , text) return re.sub(r\s, , text).strip()3. 带重叠的智能分块class AgenticChunker: def __init__(self, llm): self.llm llm def chunk_document(self, text: str, target_chars2000, overlap_chars200): 将文本分割成重叠的块并为每个块提供摘要。 segments text.split(\n\n) full_text .join(segments) chunks, start [], 0 while start len(full_text): end start target_chars chunk full_text[start:end] chunks.append(chunk) start max(0, start target_chars - overlap_chars) return [{text: chunk, summary: self._get_summary(chunk)} for chunk in chunks] def _get_summary(self, text: str): 利用llm生成摘要 return self.llm.generate_summary(text) 4. 借助 deepseek生成摘要与标题from langchain_openai import ChatOpenAI llm ChatOpenAI(model_namedeepseek, temperature0.2) def generate_summary(text): 摘要 prompt f请用一句话概括这段文本:\n\n{text} return llm.predict(prompt) 5. 将分块转换为向量嵌入使用 Hugging Facefrom transformers import AutoTokenizer, AutoModelimport torch tokenizer AutoTokenizer.from_pretrained(dwzhu/e5-base-4k)model AutoModel.from_pretrained(dwzhu/e5-base-4k) def get_embedding(text: str): inputs tokenizer(text, return_tensorspt, truncationTrue, max_length512) with torch.no_grad(): outputs model(**inputs) return outputs.last_hidden_state.mean(dim1).squeeze().numpy().tolist() 6. 存储到 Pinecone 中以备检索from pinecone import Pinecone pinecone_api_key 您的PINECONE API密钥pc Pinecone(api_keypinecone_api_key)index pc.Index(agentic-chunks) def upsert_to_pinecone(chunk_id, text, summary, embedding): vector { id: chunk_id, values: embedding, metadata: {text: text, summary: summary} } index.upsert(vectors[vector])五、智能主体分块的潜在应用场景目前这项技术已被应用于多种高级 AI 应用中例如检索增强生成RAGAI 模型获取上下文相关的文本片段以提供精准响应企业文档搜索大型企业利用智能主体分块检索内部文档AI 聊天机器人更智能的聊天机器人能够检索包含完整上下文的数据库响应法律与医疗 AI在检索大型数据库时不丢失已提取的文本信息六、总结智能主体分块将非结构化文本转化为可利用的知识。与简单的基于令牌的分割方法相比这种方法具有以下优势保留上下文关联性生成具有洞察力的摘要提升 AI 检索效果4. 借助 deepseek生成摘要与标题from langchain_openai import ChatOpenAI llm ChatOpenAI(model_namedeepseek, temperature0.2) def generate_summary(text): 摘要 prompt f请用一句话概括这段文本:\n\n{text} return llm.predict(prompt)5. 将分块转换为向量嵌入使用 Hugging Facefrom transformers import AutoTokenizer,AutoModelimport torch tokenizerAutoTokenizer.from_pretrained(dwzhu/e5-base-4k)modelAutoModel.from_pretrained(dwzhu/e5-base-4k)defget_embedding(text:str):inputstokenizer(text,return_tensorspt,truncationTrue,max_length512)with torch.no_grad():outputsmodel(**inputs)returnoutputs.last_hidden_state.mean(dim1).squeeze().numpy().tolist()6. 存储到 Pinecone 中以备检索from pinecone import Pinecone pinecone_api_key 您的PINECONE API密钥pc Pinecone(api_keypinecone_api_key)index pc.Index(agentic-chunks) def upsert_to_pinecone(chunk_id, text, summary, embedding): vector { id: chunk_id, values: embedding, metadata: {text: text, summary: summary} } index.upsert(vectors[vector])五、智能主体分块的潜在应用场景目前这项技术已被应用于多种高级 AI 应用中例如检索增强生成RAGAI 模型获取上下文相关的文本片段以提供精准响应企业文档搜索大型企业利用智能主体分块检索内部文档AI 聊天机器人更智能的聊天机器人能够检索包含完整上下文的数据库响应法律与医疗 AI在检索大型数据库时不丢失已提取的文本信息六、总结智能主体分块将非结构化文本转化为可利用的知识。与简单的基于令牌的分割方法相比这种方法具有以下优势保留上下文关联性生成具有洞察力的摘要提升 AI 检索效果普通人如何抓住AI大模型的风口领取方式在文末为什么要学习大模型目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 大模型作为其中的重要组成部分 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 为各行各业带来了革命性的改变和机遇 。目前开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景其中应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过30%。随着AI大模型技术的迅速发展相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业人工智能大潮已来不加入就可能被淘汰。如果你是技术人尤其是互联网从业者现在就开始学习AI大模型技术真的是给你的人生一个重要建议最后只要你真心想学习AI大模型技术这份精心整理的学习资料我愿意无偿分享给你但是想学技术去乱搞的人别来找我在当前这个人工智能高速发展的时代AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料能够帮助更多有志于AI领域的朋友入门并深入学习。真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发大模型全套学习资料展示自我们与MoPaaS魔泊云合作以来我们不断打磨课程体系与技术内容在细节上精益求精同时在技术层面也新增了许多前沿且实用的内容力求为大家带来更系统、更实战、更落地的大模型学习体验。希望这份系统、实用的大模型学习路径能够帮助你从零入门进阶到实战真正掌握AI时代的核心技能01教学内容从零到精通完整闭环【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块内容比传统教材更贴近企业实战大量真实项目案例带你亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事‌02适学人群应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。vx扫描下方二维码即可本教程比较珍贵仅限大家自行学习不要传播更严禁商用03入门到进阶学习路线图大模型学习路线图整体分为5个大的阶段04视频和书籍PDF合集从0到掌握主流大模型技术视频教程涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向新手必备的大模型学习PDF书单来了全是硬核知识帮你少走弯路不吹牛真有用05行业报告白皮书合集收集70报告与白皮书了解行业最新动态0690份面试题/经验AI大模型岗位面试经验总结谁学技术不是为了赚$呢找个好的岗位很重要07 deepseek部署包技巧大全由于篇幅有限只展示部分资料并且还在持续更新中…真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发