疯狂的欧美乱大交另类,99精品国产成人一区二区,成人中文乱幕日产无线码

3。環(huán)境変數(shù)をセットアップ

スクリプトは、「Text-embedding-3-Small」と呼ばれるOpenAI埋め込みモデルを初期化します。このモデルは、テキストをベクトル埋め込み

retriver

ベクトルdbを作成し、ディスク

deepseek-v3 vs gpt-4o vs llama 3.3 70b

ホームページ

テクノロジー周辺機器

DeepSeek R1を使用してRAGシステムを構(gòu)築する方法は？

William Shakespeare

Mar 07, 2025 am 09:39 AM

私はRAGおよびAIエージェントについて多くのことを読んでいますが、DeepSeek V3やDeepSeek R1などの新しいモデルのリリースにより、効率的なRAGシステムを構(gòu)築する可能性が大幅に改善され、実質(zhì)的な適用のためのより良い検索能力、推論能力の向上、よりスケーラブルなアーキテクチャが提供されたようです。より洗練された検索メカニズム、強化された微調(diào)整オプション、およびマルチモーダル機能の統(tǒng)合により、AIエージェントがデータと相互作用する方法が変化しています。従來のぼろきれのアプローチが依然として今後の最良の方法であるか、または新しいアーキテクチャがより効率的で文脈的に認識されるソリューションを提供できるかどうかについて疑問を投げかけます。

検索された生成（RAG）システムは、AIモデルが検索ベースと生成アプローチを組み合わせて、より正確でコンテキストを意識した応答を生成することにより、データとの相互作用の方法に革命をもたらしました。効率と費用対効果で知られているオープンソースモデルであるdeepseek r1の出現(xiàn)により、効果的なRAGシステムの構(gòu)築は、よりアクセスしやすく実用的になりました。この記事では、DeepSeek R1を使用してRAGシステムを構(gòu)築しています。目次

deepseek r1をRAGシステムに使用することの利點
deepseek r1
コードを使用してRAGシステムを構(gòu)築するためのRAGシステムを構(gòu)築して、DeepSeek R1 deepseek r1とは？
deepseek R1

は、OpenAIの提供などの獨自モデルの一部のコストで高品質(zhì)の推論と検索機能を提供することを目的として開発されたオープンソースAIモデルです。 MITライセンスを備えており、商業(yè)的に実行可能で、幅広いアプリケーションに適しています。また、この強力なモデルでは、ベッドを見ることができますが、Openai O1とO1-Miniは推論のトークンを示していません。?

Deepseek R1がOpenai O1モデルにどのように挑戦しているかを知るには：Deepseek R1対Openai O1：どれがより速く、より安く、賢いものですか？?

RAGシステムにDeepSeek R1を使用することの利點 DeepSeek-R1を使用した検索総生成（RAG）システムの構(gòu)築には、いくつかの顕著な利點があります。 1。高度な推論機能

：Deepseek-R1は、結(jié)論に達する前に情報を段階的に分析および処理することにより、人間のような推論をエミュレートします。このアプローチは、特に論理的推論、數(shù)學(xué)的推論、コーディングタスクを必要とする領(lǐng)域で、複雑なクエリを処理するシステムの能力を高めます。

2。オープンソースのアクセシビリティ

：MITライセンスの下でリリースされたDeepSeek-R1は完全にオープンソースであり、開発者がモデルへの無制限のアクセスを可能にします。このオープン性は、獨自のモデルにしばしば関連する制約なしに、カスタマイズ、微調(diào)整、およびさまざまなアプリケーションへの統(tǒng)合を促進します。

3。競爭力のあるパフォーマンス：ベンチマークテストは、Deepseek-R1が、推論、數(shù)學(xué)、コーディングを含むタスクでOpenaiのO1などの主要なモデルと同等またはそれを上回ることを示しています。このレベルのパフォーマンスにより、DeepSeek-R1で構(gòu)築されたRAGシステムが、多様で挑戦的なクエリにわたって高品質(zhì)で正確な応答を提供できるようになります。

4。思考プロセスの透明性：deepseek-r1は、「思考の連鎖」方法論を採用しており、推論中に推論ステップを表示します。この透明性は、意思決定プロセスに関する明確な洞察を提供することにより、ユーザーの信頼を構(gòu)築しながらシステムをデバッグして改良するのに役立ちます。

5。費用対効果

：DeepSeek-R1のオープンソースの性質(zhì)により、ライセンス料が排除され、その効率的なアーキテクチャは計算リソース要件を削減します。これらの要因は、かなりの費用を負擔することなく、洗練されたRAGシステムを?qū)g裝しようとしている組織にとって、より費用対効果の高いソリューションに貢獻しています。 DeepSeek-R1をRAGシステムに統(tǒng)合すると、高度な推論能力、透明性、パフォーマンス、コスト効率の強力な組み合わせが提供され、AI機能を強化することを目的とした開発者や組織にとって説得力のある選択肢になります。 DeepSeek R1 を使用してRAGシステムを構(gòu)築するための

ステップ

スクリプトは、検索された生成（RAG）パイプラインです

ページに分割してテキストを抽出することにより、PDFドキュメントをロードおよび処理します。

データベース內(nèi)のテキストのベクトル化表現(xiàn)

クエリが尋ねられたときに類似性検索を使用して、関連するコンテンツを取得します。
を使用して、取得したテキストに基づいて応答を生成します。前提條件をインストールします
オラマのダウンロード：
ここをクリックして：

この後、deepseek r1：1.5bを使用してプルします

これにはダウンロードに時間がかかります： これを行った後、jupyterノートブックを開いて、コーディングパーツから始めます：
実行する前に、スクリプトは必要なPythonライブラリをインストールします：
- langchain→大規(guī)模な言語モデル（LLMS）を使用してアプリケーションを構(gòu)築するためのフレームワーク。
- langchain-community→さまざまなドキュメントローダーやユーティリティのサポートを追加します。
- を入力します Openaiの埋め込みモデルにアクセスするために、スクリプトはユーザーに
を安全に入力するように促します。これにより、単純なテキストで資格情報の公開が防止されます
3。環(huán)境変數(shù)をセットアップ

スクリプトは、APIキーを環(huán)境変數(shù)として保存します。これにより、コードの他の部分は、セキュリティを改善するハードコード資格情報を使用せずにOpenaiサービスにアクセスできます。 4。 Openai Embeddingsを初期化

スクリプトは、「Text-embedding-3-Small」と呼ばれるOpenAI埋め込みモデルを初期化します。このモデルは、テキストをベクトル埋め込み
に変換します。これは、テキストの意味の高次元數(shù)値表現(xiàn)です。これらの埋め込みは、後で
同様のコンテンツを比較および取得するために使用されます。 5。 PDFドキュメントをロードして分割します PDFファイル（agenticai.pdf）が
ロードされ、ページに分割されています。各ページテキストが抽出されているため、ドキュメント全體を単一のユニットとして処理する代わりに、
より小さくて管理しやすいテキストチャンクが可能になります。
6。ベクトルデータベースを作成して保存します
PDFから抽出されたテキストは、ベクトル埋め込みに変換されます。 これらの埋め込みは、
chromadb
に保存されています。
データベースは
cosineの類似性を使用し、高度なセマンティックな類似性でテキストの効率的な検索を確保します。 7。類似のしきい値を使用して同様のテキストを取得します
a
retriver
は、chromadbを使用して作成されます
- 特定のクエリに基づいて、最も類似したトップ3のドキュメントを検索します。 フィルター類似のしきい値0.3に基づいて結(jié)果をフィルターします。つまり、ドキュメントは関連性としての資格を得るために少なくとも30％の類似性を持っている必要があります。
- 8。同様のドキュメントのクエリ 2つのテストクエリが使用されています：
- 結(jié)果は見つかりませんでした
「エージェントAIとは何ですか？」
関連するテキストを正常に取得し、システムが意味のあるコンテキストを取得できることを?qū)g証します。
- 9。ぼろ（検索の生成）チェーンを構(gòu)築します
- rag pipeline
```
curl -fsSL https://ollama.com/install.sh | sh
```
しきい値検索との類似性
```
ollama pull deepseek-r1:1.5b
```
```
ollama pull deepseek-r1:1.5b

pulling manifest
pulling aabd4debf0c8... 100% ▕████████████████▏ 1.1 GB                         
pulling 369ca498f347... 100% ▕████████████████▏  387 B                         
pulling 6e4c38e1172f... 100% ▕████████████████▏ 1.1 KB                         
pulling f4d24e9138dd... 100% ▕████████████████▏  148 B                         
pulling a85fe2a2e58e... 100% ▕████████████████▏  487 B                         
verifying sha256 digest 
writing manifest 
success 
```
```
!pip install langchain==0.3.11
!pip install langchain-openai==0.2.12
!pip install langchain-community==0.3.11
!pip install langchain-chroma==0.1.4
```
ラグチェーンを構(gòu)築します
```
from getpass import getpass
OPENAI_KEY = getpass('Enter Open AI API Key: ')
```
llm
への接続をロードします
ラグチェーンのlangchain構(gòu)文
```
import os
os.environ['OPENAI_API_KEY'] = OPENAI_KEY
```
```
from langchain_openai import OpenAIEmbeddings
openai_embed_model = OpenAIEmbeddings(model='text-embedding-3-small')
```
```
from langchain_community.document_loaders import PyPDFLoader
loader = PyPDFLoader('AgenticAI.pdf')
pages = loader.load_and_split()
texts = [doc.page_content for doc in pages]

from langchain_chroma import Chroma
chroma_db = Chroma.from_texts(
texts=texts,
collection_name='db_docs',
collection_metadata={"hnsw:space": "cosine"}, # Set distance function to cosine
embedding=openai_embed_model
)
```
deepseekの作業(yè)と同様のモデルとの比較に関する詳細な記事をチェックアウトしてください：
```
similarity_threshold_retriever = chroma_db.as_retriever(search_type="similarity_score_threshold",search_kwargs={"k": 3,"score_threshold": 0.3})

query = "what is the old capital of India?"
top3_docs = similarity_threshold_retriever.invoke(query)
top3_docs
```
Deepseek R1- OpenaiのO1最大の競爭相手がここにいます！

deepseek-v3
```
[]
```
を使用したAIアプリケーションの構(gòu)築
deepseek-v3 vs gpt-4o vs llama 3.3 70b
```
query = "What is Agentic AI?"
top3_docs = similarity_threshold_retriever.invoke(query)
top3_docs
```
deepseek v3 vs gpt-4o：どちらが良いですか？
deepseek r1 vs openai o1：どれが優(yōu)れていますか？

deepseek janus pro 7b？
にアクセスする方法
- 結(jié)論