Cohere-Befehl R: Ein vollständiges Schritt-für-Schritt-Tutorial

In diesem Tutorial wird Cohere-Befehl R, ein hochmodernes großes Sprachmodell (LLM), untersucht, das seine Verwendung online, lokal und über die Cohere Python-API demonstriert. Wir werden einen KI-Agenten erstellen, der Langchain verwendet und multi-stufige Aufgaben erledigt.

Für diejenigen, die mit Cohere -Modellen vertraut sind, springen Sie zum Projektabschnitt. Anfänger können den KI -Fundamentals -Track erkunden, um mehr über Chatgpt, LLMs und generative AI zu erfahren.

Was ist Cohere -Befehl r?

Befehl r ist Coheres erweitertes LLM, das sich in Gesprächsinteraktionen und langkontextbezogenen Aufgaben übertroffen. Seine Optimierung für die Workflows und die Verwendung eines komplexen Abrufs Augmented Generation (RAG) und der Verwendung von mehrstufigen Tools macht es ideal für Unternehmensanwendungen.

Schlüsselmerkmale des Cohere -Befehls r:

• erweitertes Kontext: Handles bis zu 128K -Token, wobei die Vorgängermodelle in Qualität und Zuverlässigkeit überschreiten (4K -Token -Ausgangsgrenze).
• Mehrsprachige Unterstützung: Ausgebildet auf vielfältige mehrsprachige Korpora, optimiert für Englisch, Französisch, Spanisch, Italienisch, Deutsch und mehr.
• lendende Funktionen: führt Übersetzungs- und Kreuzungsfragen aus.
• eingebauter Lappen: erleichtert Lappen ohne externe Frameworks; Geben Sie einfach Dokumente für kontextbezogene Antworten mit Zitaten an.
• Multi-Step-Tool Verwenden: Integriert sich in Suchmaschinen und benutzerdefinierte Tools (Datenbanken, APIs) für aktuelle Antworten.

Für ein umfassendes Verständnis von Cohere -Modellen finden Sie im Cohere -API -Tutorial: Erste Schritte mit Cohere -Modellen.

Zugriff auf Cohere -Befehl r:

Es gibt verschiedene Methoden, viele kostenlos:

Online -Zugriff (HuggingChat):

besuchen Sie
1. https://www.php.cn/link/217ffec3caf17a44bf340fc11d93e8ab .
"Modelle", dann "C4AI-command-r-plus".
Geben Sie Ihre Abfrage ein. Erwarten Sie schnelle, genaue Antworten. Sechs Tools (Bildgenerierung, Internetsuche usw.) sind ebenfalls integriert.

Lokaler Zugriff (Jan):

1. Jan von https://www.php.cn/link/1d72d067ad71fc47c245e249dc16cb7f .
herunterladen und installieren.
2. Zugriff auf den Modell Hub (linke Feld).
3. Suche nach "pmysl/c4ai-command-r-plus-gguf" (erfordert & gt; 30 GB RAM).
4. Die "q4_k_m -Version" (~ 31.24GB) herunterladen und verwenden.

API -Zugriff (Jan mit Cohere API):

1. melden Sie sich bei https://www.php.cn/link/19c81ddc9575bacf2a6f73b428065821 .
an
2. Gehen Sie zu "Dashboard", dann "API -Schlüssel" und erstellen Sie einen Testschlüssel.
3. Fügen Sie den Schlüssel in Jan's "Modellanbieter" ein (Einstellungen & GT; Cohere).
4. Wählen Sie den Befehl R im Menü "Thread" von Jan aus. Verwenden Sie "Stream" für Echtzeitantworten.

chere python api:

1. install: pip install cohere
2. erhalten Sie einen Cohere -API -Schlüssel (siehe API -Zugriff oben).
3. Umgebungsvariablen einrichten (DataLab von DataCamp empfohlen).
4. Initialisieren Sie den Cohere -Client:

import os
import cohere

cohere_api_key = os.environ["COHERE_API_KEY"]
co = cohere.Client(api_key=cohere_api_key)

5. Antworten mit .chat():
erstellen

response = co.chat(model="command-r-plus", message="Your query here")
print(response.text)

Erforschung von Cohere Python -API -Funktionen:

• Textgenerierung: Verwenden Sie preamble, chat_history, max_tokens und temperature für angepasste Antworten.
• Streaming: Verwenden Sie .chat_stream() für die Echtzeit-Token-Generation.
• Vorhersehbare Ausgabe: Setzen Sie das Argument seed für reproduzierbare Ergebnisse.
• rag: Verwenden Sie das Argument documents in .chat() für kontextbewusste Antworten.
• Einbettungen: Verwenden Sie .embed() für die semantische Textdarstellung.
• Feinabstimmung: Laden Sie benutzerdefinierte Datensätze mit .datasets.create() und feinstimmen Sie mit .finetuning.create_finetuned_model().
hoch

AI-Projekt: Mehrstufiger Agent mit Langchain und tavy:

Dieses Projekt erstellt einen AI -Agenten, der das Web durchsucht (tavy) und Python -Code (Python Repl) generiert/ausführt, um Visualisierungen zu erstellen.

1. Pakete installieren: %pip install --quiet langchain langchain_cohere langchain_experimental
2. Cohere Chat -Modell einrichten:

import os
import cohere

cohere_api_key = os.environ["COHERE_API_KEY"]
co = cohere.Client(api_key=cohere_api_key)

3. Tavily -Suchwerkzeug einrichten.
4. Python Reply Tool einrichten.
5. Erstellen und führen Sie den AI -Agenten mit create_cohere_react_agent und AgentExecutor.
testen Sie den Agenten (z. B. generieren Sie ein Kreisdiagramm).

Schlussfolgerung:

Dieses Tutorial bietet einen umfassenden Leitfaden zur Verwendung von Cohere Command R, das seine Fähigkeiten hervorhebt und deren Anwendung beim Aufbau von ausgefeilten KI -Agenten demonstriert. Die Kombination von leistungsstarken LLMs und Tools wie Langchain und verbessert die Entwicklung fortschrittlicher AI -Systeme.

Das obige ist der detaillierte Inhalt vonCohere-Befehl R: Ein vollständiges Schritt-für-Schritt-Tutorial. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!