Я разработал сложное RAG-приложение с использованием Warp, среды разработки Agentic 🤖🧠

Что, если Python больше не является чем-то близким к простому английскому языку? Мы вступили в эру, когда можем создавать серьезное, полнофункциональное программное обеспечение, используя только естественный язык! 👉 Попробуйте Warp бесплатно сегодня → https://go.warp.dev/simplifiedytev В этом уроке мы используем профессиональную среду разработки Agentic Development Environment (ADE) для создания готового к производству RAG-приложения с нуля! 🏗️💻 К концу этого видео вы увидите, как превратить крошечную языковую модель, такую ​​как Qwen, в эксперта мирового класса по любой научной статье или PDF-файлу. Больше никаких многочасовых ручных отладок — мы используем агентов ИИ для проектирования нашего конвейера обработки данных, управления нашей векторной базой данных и даже разработки красивого пользовательского интерфейса! 🎨🤖 📚 Что вы узнаете: • Что такое RAG (экзамен с открытой книгой для ИИ) • Настройка Warp ADE в Windows • Создание минимального конвейера RAG с помощью подсказок на естественном языке • Создание векторной базы данных из PDF-файлов научных работ (AlexNet, DeepSeek и др.) • Отладка на естественном языке: как исправить ошибки LLM без кода • Разработка пользовательского графического интерфейса пользователя с помощью Flask с использованием макета • Масштабирование приложения для обработки нескольких документов 🛠️ Используемые инструменты: • Warp ADE • Python 3.12 • LangChain • Qwen Instruct LLM • FAISS • Flask 🔎 Полезные ресурсы: ⭐ Полный код на GitHub: https://github.com/MariyaSha/RAG_GUI_... ⭐ Hugging Face Конвейер обработки RAG: https://huggingface.co/learn/cookbook... ⭐ Научная статья AlexNet: https://arxiv.org/abs/1803.01164 ⏰ Временные метки ⏰ 01:13 - Что именно представляет собой RAG? (Генерация с дополненной реальностью) 01:52 - Настройка Warp ADE 03:02 - Запрос у агента конкретного конвейера RAG 04:34 - Проверка и ручная корректировка кода агента 05:35 - Упрощение интерфейса чата LLM 07:45 - Отладка галлюцинаций LLM с помощью естественного языка 09:31 - Разработка графического интерфейса пользователя с помощью Flask с использованием эскиза каркаса 10:51 - Финальная доработка и тестирование пользовательского интерфейса с использованием нескольких научных работ 📝 Запросы 📝 1. Начальная сборка конвейера RAG [04:01] Создайте минимальное приложение RAG, используя это руководство: https://huggingface.co/learn/cookbook... Только PDF Извлечь и разбить на фрагменты текст Alexnet.pdf Использовать LangChain Использовать 1. Очень короткая инструкция Qwen Сохранить конвейер как app.py 2. Автоматическая установка модулей [05:18] Предложить, какие модули установить в rag_env, чтобы соответствовать требованиям app.py 3. Точность и краткость отладки [07:53] Конвейер работает, но не идеально. LLM выдает неверные ответы (AlexNet имеет 60 миллионов параметров и обучался на одном графическом процессоре GTX 580). LLM предоставляет слишком много информации. Ответы LLM должны быть короткими и лаконичными. Просмотрите прикрепленный вывод и исправьте эти проблемы. 4. Рефакторинг в vectorize.py [10:14] Пожалуйста, переместите код, который генерирует базу данных векторов, в отдельный файл - vectorize.py. Мы будем запускать vectorize.py независимо, а app.py будет считывать из него данные. 5. Разработка графического интерфейса пользователя с помощью Flask [10:51] Разработка графического интерфейса пользователя для app.py. Используйте Flask. Используйте прикрепленное изображение макета приложения в качестве источника вдохновения. Используйте logo.png. Не меняйте сам конвейер RAG — просто добавьте графический интерфейс в app.py. 6. Улучшение пользовательского интерфейса и масштабирование боковой панели [12:05] Удалите текст «RAG Chat» рядом с логотипом. Увеличьте размер логотипа. Уменьшите ширину боковой панели на 30% и выровняйте содержимое боковой панели по центру. 7. Встраивание нескольких PDF-файлов [12:44] Вместо встраивания только AlexNet.pdf — встройте все PDF-файлы из локальной папки /rag_app/research. Ничего больше не меняйте. #Python #AI ​​#RAG #MachineLearning #Coding #ArtificialIntelligence #LLM #SoftwareEngineering #Flask #VectorDatabase