建设部网站 测绘规章长治网站设计制作网站

建设部网站 测绘规章,长治网站设计制作网站,交通建设监理协会网站,济南网站制作多少钱简介 本文介绍如何结合DeepSeek-V3.2模型和IBM的Docling工具构建极简Agentic RAG工作流。系统通过检索-研究-验证的智能体闭环#xff0c;实现自纠错的文档问答能力。DeepSeek-V3.2的稀疏注意力技术解决了长文档处理效率问题#xff0c;而Docling通过视觉语义分…简介本文介绍如何结合DeepSeek-V3.2模型和IBM的Docling工具构建极简Agentic RAG工作流。系统通过检索-研究-验证的智能体闭环实现自纠错的文档问答能力。DeepSeek-V3.2的稀疏注意力技术解决了长文档处理效率问题而Docling通过视觉语义分析将文档结构化为Markdown提升检索质量。该系统以低代码成本有效减少模型幻觉为复杂文档推理提供了开源解决方案。DeepSeek-V3.2 的发布为复杂推理任务提供了极佳的开源选择其长文本处理能力也让深度文档解析变得更高效。而在 RAG检索增强生成实践中如何精准提取 PDF 结构依然是关键。IBM 的开源工具 Docling 改变了传统 OCR 简单提取字符串的方式通过视觉语义分析将文档转化为结构化的 Markdown。本文将分享如何将两者结合搭建一套极简的 Agentic RAG 工作流。不同于传统的单向检索该系统通过“检索-研究-验证”的智能体闭环实现了具备自纠错能力的文档问答能以极低的代码成本有效减少模型幻觉。1、DeepSeek-V3.2 的独特之处是什么大多数强大的 AI 模型都面临一个共同问题随着文件长度的增加模型的执行速度会显著下降而成本则会急剧上升。这是因为传统模型会尝试将每个词与其他所有词进行比较以理解上下文。DeepSeek-V3.2 通过引入一种名为 DeepSeek 稀疏注意力DeepSeek Sparse AttentionDSA的新方法来解决这个问题。可以将其想象成一位研究人员在图书馆进行研究•传统方法密集注意力研究人员为了回答一个问题需要逐页阅读书架上的每一本书。虽然这种方法很全面但速度极慢而且需要耗费大量精力。•新方法DeepSeek-V3.2研究人员使用数字索引Lightning Indexer快速找到关键页面然后只阅读这些页面。这种方法同样准确但速度却快得多。2、Docling 的独特之处是什么Docling 之所以能从现有工具中脱颖而出最大的原因在于其设计理念基于与生成式人工智能特别是检索增强生成RAG的协作。现代人工智能应用需要的不仅仅是提取文本。为了让人工智能深入理解文档内容并生成准确的答案需要了解文档的语义包括• 这句话是论文的摘要还是结论• 这串数字不仅仅是文本而是一个表格那么每个单元格代表什么• 这张图片的标题是什么PyMuPDF 和 Tesseract 将文本提取为字符串而 Docling 则利用视觉-语言模型VLM的强大功能来分析这些结构和关系并将其输出为包含丰富信息的DoclingDocument对象。这些结构化数据是显著提升 RAG 检索和答案生成质量的关键。3、配置环境首先安装支持该模型的库执行pip install requirements命令。pip install requirements下一步是常规操作导入相关的库其重要性将在后续步骤中逐渐显现。•DocumentConverter一个高级 Python 类用于将文档转换为结构化的DoclingDocument格式。•EnsembleRetriever一个集成检索器它使用加权倒数排序融合weighted reciprocal rank fusion来聚合和排序多个检索器的结果。4、DocLing以下代码创建了一个VerificationAgent类用于根据源文档对 AI 生成的答案进行事实核查。在__init__函数中实例化了一个温度为零用于确定性输出的 DeepSeek-V3.2 模型并构建了一个提示模板。这个模板要求 LLM 从四个特定方面验证答案声明是否得到直接支持、哪些内容不被支持、哪些内容相互矛盾以及它是否相关并强制使用结构化响应格式以确保解析的一致性。在check()函数中接收答案字符串和一个Document对象列表提取并连接所有文档文本到一个上下文字符串中然后创建一个 LangChain 管道提示 → LLM → 字符串解析器并使用答案和上下文调用该管道以获取验证报告。记录报告和上下文以进行调试如果有任何错误发生则重新抛出。最后返回一个包含验证报告文本和使用的上下文字符串的字典——这样做的目的是通过检查 RAG 系统生成的答案是否确实得到源文档的支持来捕获幻觉hallucinations。import osimport hashlibimport picklefrom datetime import datetime, timedeltafrom pathlib import Pathfrom typing importListfrom docling.document_converter import DocumentConverterfrom langchain_text_splitters import MarkdownHeaderTextSplitterfrom config import constantsfrom config.settings import settingsfrom utils.logging import loggerclassDocumentProcessor:def__init__(self):self.headers [(#, Header 1), (##, Header 2)]self.cache_dir Path(settings.CACHE_DIR)self.cache_dir.mkdir(parentsTrue, exist_okTrue)defvalidate_files(self, files: List) - None:验证上传文件的总大小。 total_size sum(os.path.getsize(f.name) for f in files)if total_size constants.MAX_TOTAL_SIZE:raise ValueError(f总大小超过 {constants.MAX_TOTAL_SIZE//1024//1024}MB 限制)defprocess(self, files: List) - List:处理文件并进行缓存以便后续查询使用。self.validate_files(files) all_chunks [] seen_hashes set()for file in files:try:# 为缓存生成基于内容的哈希值withopen(file.name, rb) as f: file_hash self._generate_hash(f.read()) cache_path self.cache_dir / f{file_hash}.pklifself._is_cache_valid(cache_path): logger.info(f从缓存加载{file.name}) chunks self._load_from_cache(cache_path)else: logger.info(f处理并缓存{file.name}) chunks self._process_file(file)self._save_to_cache(chunks, cache_path)# 跨文件进行块去重for chunk in chunks: chunk_hash self._generate_hash(chunk.page_content.encode())if chunk_hash notin seen_hashes: all_chunks.append(chunk) seen_hashes.add(chunk_hash)except Exception as e: logger.error(f处理文件 {file.name} 失败{str(e)})continue logger.info(f总计唯一块数{len(all_chunks)})return all_chunksdef_process_file(self, file) - List:使用 Docling 进行原始处理逻辑。ifnot file.name.endswith((.pdf, .docx, .txt, .md)): logger.warning(f跳过不支持的文件类型{file.name})return [] converter DocumentConverter() markdown converter.convert(file.name).document.export_to_markdown() splitter MarkdownHeaderTextSplitter(self.headers)return splitter.split_text(markdown)def_generate_hash(self, content: bytes) - str:生成内容的 SHA256 哈希值。return hashlib.sha256(content).hexdigest()def_save_to_cache(self, chunks: List, cache_path: Path):将处理过的块保存到缓存文件。withopen(cache_path, wb) as f: pickle.dump({timestamp: datetime.now().timestamp(),chunks: chunks }, f)def_load_from_cache(self, cache_path: Path) - List:从缓存文件加载块。withopen(cache_path, rb) as f: data pickle.load(f)return data[chunks]def_is_cache_valid(self, cache_path: Path) - bool:检查缓存文件是否有效未过期。ifnot cache_path.exists():returnFalse cache_age datetime.now() - datetime.fromtimestamp(cache_path.stat().st_mtime)return cache_age timedelta(dayssettings.CACHE_EXPIRE_DAYS)5、RelevanceChecker以下代码创建了一个RelevanceChecker类通过将检索到的文档分类为三个类别来确定它们是否可以回答用户的问题。在__init__方法中使用 API 密钥初始化了一个 DeepSeek-V3.2 模型并创建了一个提示模板。该模板指示大型语言模型LLM将段落分类为CAN_ANSWER完全回答、“PARTIAL”提及主题但不完整或NO_MATCH完全未讨论该主题并强调任何主题提及都应归类为PARTIAL而不是NO_MATCH。通过提示 - LLM - 字符串解析器的管道连接构建了一个 LangChain 链。在check()方法中接收一个问题、一个检索器对象和一个参数k默认为 3用于指定要分析的前k个文档的数量。使用问题调用检索器以获取相关的文本块如果没有返回任何内容则立即返回NO_MATCH。为了便于查看打印调试信息显示文档计数以及前k个文本块的 200 字符预览。将前k个文档的文本合并成一个字符串字符串之间用双换行符分隔然后使用问题和合并后的内容调用 LLM 链并获取一个分类字符串。通过将响应转换为大写并检查是否符合有效选项来验证响应是否为三个有效标签之一如果 LLM 返回了意外结果则强制返回NO_MATCH。最后返回经过验证的分类结果从而清楚地了解检索器是否找到了可用的文档或者是否需要回退到其他方法例如网络搜索。# agents/relevance_checker.pyfrom langchain_openai import ChatOpenAIfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_core.output_parsers import StrOutputParserfrom langchain_deepseek import ChatDeepSeekfrom config.settings import settingsclassRelevanceChecker:def__init__(self):# self.llm ChatOpenAI(api_keysettings.OPENAI_API_KEY, modelgpt-4o)self.llm ChatDeepSeek(api_keysettings.DEEPSEEK_API_KEY, modeldeepseek-chat)self.prompt ChatPromptTemplate.from_template(给定一个用户问题和一些来自上传文档的段落。 请评估这些段落回答用户问题的程度。 请**准确选择**以下回答中的一个**只**返回该标签 1) CAN_ANSWER:这些段落包含足够明确的信息来完整回答问题。 2) PARTIAL: 这些段落提及或讨论了问题的主题例如相关年份、设施名称 但没有提供回答问题所需的所有数据或细节。 3) NO_MATCH: 这些段落完全没有讨论或提及问题的主题。 重要提示如果段落以**任何方式**提及或引用了问题的主题或时间范围 即使信息不完整也应返回 PARTIAL而不是 NO_MATCH。 问题: {question} 段落: {document_content} 请**只**返回 CAN_ANSWER, PARTIAL, 或 NO_MATCH。 )self.chain self.prompt | self.llm | StrOutputParser()defcheck(self, question: str, retriever, k3) - str: 1. 从全局检索器中检索 top-k 文档块。 2. 将它们组合成一个单独的文本字符串。 3. 将该文本 问题传递给 LLM 链进行分类。 返回: CAN_ANSWER 或PARTIAL 或 NO_MATCH。 print(f[DEBUG] RelevanceChecker.check 被调用问题{question}k{k})# 从检索器中检索文档块 top_docs retriever.invoke(question)[:k] # 只使用前 k 个文档ifnot top_docs:print([DEBUG] 检索器.invoke() 未返回任何文档。分类为 NO_MATCH。)returnNO_MATCHprint(f[DEBUG] 检索器返回了 {len(top_docs)} 个文档。)# 快速显示每个块的片段以进行调试for i, doc inenumerate(top_docs): snippet doc.page_content[:200].replace(\n, \\n)print(f[DEBUG] 块 #{i1}预览前 200 个字符{snippet}...)# 将前 k 个块的文本合并成一个字符串 document_content \n\n.join(doc.page_content for doc in top_docs)print(f[DEBUG] 前 {k} 个块的组合文本长度{len(document_content)} 字符。)# 调用 LLM response self.chain.invoke({question: question,document_content: document_content }).strip()print(f[DEBUG] LLM原始分类响应{response})# 转换为大写检查是否是有效标签之一 classification response.upper() valid_labels {CAN_ANSWER, PARTIAL, NO_MATCH}if classification notin valid_labels:print([DEBUG] LLM 未返回有效标签。强制设为 NO_MATCH。) classification NO_MATCHelse:print(f[DEBUG] 分类被识别为 {classification}。)return classification6、ResearchAgent以下代码创建了一个名为ResearchAgent的类使用检索到的文档作为上下文来生成问题的答案。代码创建了一个提示模板要求 LLM 根据提供的上下文回答问题做到准确且基于事实并指示 LLM 在上下文不足时明确表示我无法根据提供的文档回答此问题。在generate()方法中接收一个问题字符串和一个Document对象列表然后提取所有文档文本并使用双换行符作为分隔符将其连接成一个上下文字符串。使用问题和上下文调用该链将其替换到模板中向 DeepSeek 发送请求并将生成的答案作为字符串返回。此过程被包装在try-except语句中以便记录答案和完整的上下文进行调试并重新引发任何发生的异常。最后返回一个包含草稿答案和所用上下文的字典从而同时获得生成的响应和用于创建它的源材料的可追溯性。from langchain_openai import ChatOpenAIfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_core.output_parsers import StrOutputParserfrom typing importDict, Listfrom langchain_core.documents import Documentfrom langchain_deepseek import ChatDeepSeekimport loggingfrom config.settings import settingslogger logging.getLogger(__name__)classResearchAgent:def__init__(self):用 OpenAI 模型初始化研究智能体。# self.llm ChatOpenAI(# modelgpt-4-turbo,# temperature0.3,# api_keysettings.OPENAI_API_KEY # 在这里传递 API 密钥# )self.llm ChatDeepSeek( modeldeepseek-chat, temperature0.3, api_keysettings.DEEPSEEK_API_KEY # 在这里传递 API 密钥 )self.prompt ChatPromptTemplate.from_template(根据提供的上下文回答以下问题。请精确且基于事实。 问题: {question} 上下文: {context} 如果上下文不足请回答: 我无法根据提供的文档回答此问题。 )defgenerate(self, question: str, documents: List[Document]) - Dict:使用提供的文档生成初步答案。 context \n\n.join([doc.page_content for doc in documents]) chain self.prompt | self.llm | StrOutputParser()try: answer chain.invoke({question: question,context: context }) logger.info(f生成的答案: {answer}) logger.info(f使用的上下文: {context})except Exception as e: logger.error(f生成答案时出错: {e})raisereturn {draft_answer: answer,context_used: context }7、验证智能体以下代码创建了一个VerificationAgent类用于对 AI 生成的答案进行事实核查以识别虚假信息。在__init__方法中初始化了一个温度为 0表示完全确定性的 DeepSeek-V3.2 模型创建了一个提示模板指示 LLM 使用结构化的响应格式验证四个方面直接事实支持、未经证实的说法、矛盾和相关性然后构建了一个 LangChain 链。在check()函数中接收一个响应字符串和一个Document对象列表将所有文档文本用双换行符连接成一个上下文字符串然后使用响应字符串和上下文字符串调用链式调用以获取验证报告。在try-except块中记录报告和上下文字符串以进行调试最后返回一个包含验证报告和上下文字符串的字典用于溯源。from langchain_openai import ChatOpenAIfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_core.output_parsers import StrOutputParserfrom typing importDict, Listfrom langchain_core.documents import Documentfrom langchain_deepseek import ChatDeepSeekimport loggingfrom config.settings import settingslogger logging.getLogger(__name__)classVerificationAgent:def__init__(self):# self.llm ChatOpenAI(# modelgpt-4-turbo,# temperature0,# api_keysettings.OPENAI_API_KEY # 在这里传递 API 密钥# )self.llm ChatDeepSeek( modeldeepseek-chat, temperature0, api_keysettings.DEEPSEEK_API_KEY # 在这里传递 API 密钥 )self.prompt ChatPromptTemplate.from_template(根据提供的上下文验证以下答案。检查以下各项 1. 直接事实支持 (是/否) 2. 未经支持的主张 (列出) 3. 矛盾之处 (列出) 4. 与问题的相关性 (是/否) 请按以下格式回应 支持: 是/否 未经支持的主张: [项目] 矛盾之处: [项目] 相关性: 是/否 答案: {answer} 上下文: {context} )defcheck(self, answer: str, documents: List[Document]) - Dict:根据提供的文档验证答案。 context \n\n.join([doc.page_content for doc in documents]) chain self.prompt | self.llm | StrOutputParser()try: verification chain.invoke({answer: answer,context: context }) logger.info(f验证报告: {verification}) logger.info(f使用的上下文: {context})except Exception as e: logger.error(f验证答案时出错: {e})raisereturn {verification_report: verification,context_used: context }8、如何系统的学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。一直在更新更多的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】01.大模型风口已至月薪30K的AI岗正在批量诞生2025年大模型应用呈现爆发式增长根据工信部最新数据国内大模型相关岗位缺口达47万初级工程师平均薪资28K数据来源BOSS直聘报告70%企业存在能用模型不会调优的痛点真实案例某二本机械专业学员通过4个月系统学习成功拿到某AI医疗公司大模型优化岗offer薪资直接翻3倍02.大模型 AI 学习和面试资料1️⃣ 提示词工程把ChatGPT从玩具变成生产工具2️⃣ RAG系统让大模型精准输出行业知识3️⃣ 智能体开发用AutoGPT打造24小时数字员工熬了三个大夜整理的《AI进化工具包》送你✔️ 大厂内部LLM落地手册含58个真实案例✔️ 提示词设计模板库覆盖12大应用场景✔️ 私藏学习路径图0基础到项目实战仅需90天第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】