使用 WhatsApp Cloud API 和 Node.js 构建自动化电子商务应用程序
2024/12/16
2022 年 5 月，Meta（该公司前身为 Facebook，旗下拥有 WhatsApp）宣布向公众开放 WhatsApp Business API。本文旨在引领您进入Meta所带来的奇妙世界，在那里，WhatsApp聊天机器人能够助您一...
如何使用 Web Scraper API 高效采集 Facebook 用户帖子信息
【API开发】
前言 如今很多企业依赖于实时数据来把握市场趋势，Web Scraper API 提供了一种高效、自动化的数据获取方式，使公司能够低成本地收集到大规模的公开数据。相较于手动收集信息，Web Scraper API 不仅更快更准确，还能帮...
2024/12/15
API 的三种类型：REST、GraphQL 和异步 API 的优缺点分析
【API设计】
导读：在这份学习指南中，我们将和大家一起了解 REST、GraphQL 和异步 API 的优缺点，以及这三种技术在现实生活中的理想用例。 API 在现代软件开发领域在发挥着举足轻重的作用。 目前，有三种主流类型的API，...
2024/12/15
ML.NET 示例：图像分类模型训练-首选API（基于原生TensorFlow迁移学习）
【AI驱动】
ML.NET 版本API 类型状态应用程序类型数据类型场景机器学习任务算法Microsoft.ML 1.5.0动态API最新控制台应用程序和Web应用程序图片文件图像分类基于迁移学习的TensorFlow模型再训练进行图像分类DNN架构：R...
2024/12/15
十行代码就能搞定深度学习？飞桨框架高层API，一起轻松玩转AI
【API产品】
高层 API，What 深度学习作为人工智能时代的核心技术，近年来无论学术、还是工业领域，均发挥着愈加重要的作用。然而，深度学习理论太难学，开发过程太复杂，又将许多人拒之于深度学习的门外。为了简化深度学习的学习过程、降低深度学习的开...
2024/12/15
使用 tRPC 和 Deno 构建类型安全的 API
【API开发】
Deno 是一个一体化、零配置的工具链，用于编写 JavaScript 和 TypeScript，并且原生支持 Web 平台 API，这使得它成为快速构建后端和 API 的理想选择。为了使我们的 API 更易于维护，我们可以使用 tRPC，...
2024/12/15
利用腾讯云轻量应用服务器构建后端API，轻松打造PDF转Word的小程序工具
【API产品】
大家日常工作当中有时候需要把Excel转换为pdf打印或者转换为图片进行分享，目前有许多在线工具，不过大部分都是需要看激励广告或者收费才可以正常使用，今天给大家分享通过微信小程序自己搭建一个Excel转换工具，随时随地使用免受付费或者看广告...
2024/12/15
大规模分布式架构中，怎样设计和选择 API 限流技术？
【API设计】
一、为什么需要限流 我们为什么需要限流？相信你在设计所有系统的时候，都会首先问自己这样一个问题。API 限流需要解决的问题 之所以会有限流这个问题，是因为我们生活在一个资源有限的社会当中，当资源供不应求的时候，就会引发一...
2024/12/15
LLM之RAG实战（三十）| 探索RAG语义分块策略
【AI驱动】
在LLM之RAG实战（二十九）| 探索RAG PDF解析解析文档后，我们可以获得结构化或半结构化的数据。现在的主要任务是将它们分解成更小的块来提取详细的特征，然后嵌入这些特征来表示它们的语义，其在RAG中的位置如图1所示： ...
2024/12/14
LLM之RAG实战（二十四）| LlamaIndex高级检索（三）：句子窗口检索
【AI驱动】
这是本系列关于高级检索技术的第三篇文章，之前的两篇分别介绍构建基本的RAG和父文档检索技术，本文我们将深入研究句子窗口检索技术。我将介绍如何设置它，并使用TruEval来测量其性能，并将其性能与我们在前几篇文章中介绍的其他技术进行比较。 ...
2024/12/14
LLM之RAG实战（三十五）| 使用LangChain的3种query扩展来优化RAG
【AI驱动】
RAG有时无法从矢量数据库中检索到正确的文档。比如我们问如下问题： 从1980年到1990年，国际象棋的规则是什么？ RAG在矢量数据库中进行相似性搜索，来查询与国际象棋规则问题相关的相关文档。然而，在某些情况下...
2024/12/14
LLM之RAG实战（二十二）| LlamaIndex 高级搜索（一）构建完整的基本 RAG 框架（包括 RAG 评估）
【AI驱动】
在RAG（retrieval Augmented Generation，检索增强生成）系统中，检索到文本的质量对大型语言模型生成响应的质量是非常重要的。检索到的与回答用户查询相关的文本质量越高，你的答案就越有根据和相关性，也更容易防止LLM...
2024/12/14
LLM之RAG实战（三十九）| 高级RAG技术全面解析
【AI驱动】
一、高级RAG概述 基本 RAG 的工作流程可分为三个步骤：索引、检索和生成。在索引阶段，文本被转换为嵌入，然后存储在向量数据库中以创建可搜索的索引。在检索步骤中，用户的查询也被转...
2024/12/14
LLM之RAG实战（三十七）| 高级RAG从理论到LlamaIndex实现
【AI驱动】
论文《Retrieval-Augmented Generation for Large Language Models: A Survey》对检索增强生成（RAG）总结了如下三种方式： Naive RAG 高级RAG 模...
2024/12/14
LLM之RAG实战（二十一）| 使用LlamaIndex的Text2SQL和RAG的功能分析产品评论
【API开发】
亚马逊和沃尔玛等电子商务平台上每天都有大量的产品评论，这些评论是反映消费者对产品情绪的关键接触点。但是，企业如何从庞大的数据库获得有意义的见解？ 我们可以使用LlamaIndex将SQL与RAG（Retrieval Augme...
2024/12/14
LLM之RAG实战（三十一）| 探索RAG重排序
【AI驱动】
重新排序在检索增强生成（RAG）过程中起着至关重要的作用。在naive RAG方法中，可以检索大量上下文，但并非所有上下文都与问题相关。重新排序允许对文档进行重新排序和过滤，将相关文档放在最前面，从而提高RAG的有效性。 ...
2024/12/14
搜索文章
热门话题
