事業計画と起業家精神のためのAI駆動のスマートガイドの開発

あなたが中程度のメンバーでない場合は、このリンクで完全なストーリーを読むことができます。 ChatGPTの発売と次の大規模な言語モデル（LLMS）の急増後、幻覚、知識の削減日、および組織または人固有の情報を提供できないことの固有の制限はすぐに明らかになり、主要なものと見なされました。欠点。これらの問題に対処するために、検索拡張生成（RAG）メソッドはすぐに外部データをLLMに統合し、特定の知識ベースからの質問に答えるために行動を導く牽引力を獲得しました。 興味深いことに、RAGに関する最初の論文は2020年にFacebook AI Research（現在のMeta AI）の研究者によって掲載されましたが、その可能性が完全に実現されたのはChatGptの出現までではありませんでした。それ以来、停止はありませんでした。より高度で複雑なRAGフレームワークが導入され、このテクノロジーの精度が向上するだけでなく、マルチモーダルデータに対処することができ、幅広いアプリケーションの可能性を拡大しました。このトピックについては、次の記事で詳細に書きました。文脈的マルチモーダルRAG、ビジネスアプリケーションのマルチモーダルAI検索、情報抽出およびマッチメイキングプラットフォームについて説明しました。

マルチモーダルデータを大規模な言語モデルに統合します

マルチモーダルAIビジネスアプリケーションの検索

ai駆動の情報抽出とマッチメイキング

RAGテクノロジーの拡大する状況と新たなデータアクセス要件により、静的な知識ベースからの質問に答えるレトリバーのみのRAGの機能は、他の多様な知識ソースとツールを統合することで拡張できることがわかりました。など：

複数のデータベース（たとえば、ベクトルデータベースと知識グラフで構成される知識ベース） 最近の情報にアクセスするためのリアルタイムWeb検索

外部API株式市場の動向などの特定のデータを収集したり、Slackチャネルや電子メールアカウントなどの企業固有のツールからデータを収集したりする データ分析、レポートライティング、文献レビュー、人々の検索など、データ分析、レポートの執筆、人々の検索などのタスクのツール。

複数のソースからの情報を比較および統合します。

これを達成するには、ぼろきれはクエリに基づいて最適な知識ソースおよび/またはツールを選択できる必要があります。 AIエージェントの出現により、クエリに基づいて最良のアクションコースを選択できる「
• エージェントラグ
」のアイデアが導入されました。この記事では、特定のエージェントRAGアプリケーションを開発します。これは、

Smart Business Guide（sbg） - と呼ばれます。 Upbeat、Interreg中央バルト海から資金提供。このプロジェクトは、AIを使用した起業家精神と事業計画のために、フィンランドの移民とエストニアの高級移民に焦点を当てています。 SBGは、このプロジェクトの高級プロセスで使用することを目的としたツールの1つです。このツールは、本物のソースからビジネスを開始しようとする人々、またはすでにビジネスをしている人々に正確で迅速な情報を提供することに焦点を当てています。 SBGのエージェントラグには、が含まれます

ビジネスおよび起業家精神は、ビジネス計画、起業家精神、会社の登録、課税、ビジネスのアイデア、規則と規制、ビジネス機会、ライセンスと許可、ビジネスガイドラインなどに関する情報を含む知識ベースとしてガイドします。

Web検索で、ソースを使用して最近の情報を取得します
信頼できるソースから情報を取得するための知識抽出ツール。この情報には、関連当局の連絡先、最近の課税規則、最近の事業登録規則、最近のライセンス規制が含まれています。
• このエージェントのぼろきれの特別なことは何ですか？
• さまざまなオープンソースモデルを選択するオプション
（
llama、sistral、gemma

）**、およびプロポンテリーモデルs _（gpt -4o、gpt-4o-min_i）エージェントワークフロー全体。オープンソースモデルはローカルで実行されないため、強力で高価なコンピューティングマシンを必要としません。代わりに、彼らは groqクラウドのplatfor

mで実行されます。そして、はい、これにより
cost-fre ** eエージェントラグになります。 GPTモデルは、OpenaiのAPIキーで選択することもできます。 ナレッジベースの検索、Web検索、ハイブリッド検索を実施するためのオプション。
• 応答の品質を向上させるための取得ドキュメントのグレーディング、およびグレーディングに基づいてWeb検索をインテリジェントに呼び出す。 応答タイプを選択するためのオプション：Concise、moderate、、または説明。 具体的には、この記事は次のトピックを中心に構成されています データの解析llamaparse
を使用して知識ベースを構築します Langgraphを使用してエージェントワークフローを開発します 無料のオープンソースモデルを使用して、高度なエージェントRAG（以下、Smart Business GuideまたはSBGと呼ばれる）を開発する
• このアプリケーションのコード全体は、githubにあります。 アプリケーションコードは2つで構成されています。pyファイル：_AGENTICrag.py。 streamlit
グラフィカルユーザーインターフェイス。

それに飛び込もう。

LlamaparsingとLangchainを使用して知識ベースを構築します

SBGの知識ベースは、フィンランドの機関が発行した本物のビジネスと起業家精神ガイドで構成されています。これらのガイドは膨大であり、それらから必要な情報を見つけることは些細なことではないため、目的は、これらのガイドから正確な情報を提供できるだけでなく、Web検索や他の信頼できるソースでそれらを増強できるエージェントRAGを開発することです。更新された情報についてはフィンランド。

llamaparseは、LLMSで構築されたLLMユースケース用に構築されたGenai-Nativeドキュメント解析プラットフォームです。上記の記事でLlamaparseの使用を説明しました。今回は、Lamacloudでドキュメントを直接解析しました。 Llamaparseは、1日あたり1000の無料クレジットを提供しています。これらのクレジットの使用は、解析モードに依存します。テキストのみのPDFの場合、「fast」モード（1クレジット / 3ページ）がうまく機能し、OCR、画像抽出、テーブル /見出しの識別をスキップします。ページごとにより多くのクレジットポイントを備えた、他にも高度なモードが利用可能です。 OCR、画像抽出、およびテーブル/見出しの識別を実行する「プレミアム」モードを選択しました。画像のある複雑なドキュメントに最適です。

次の解析命令を定義しました。

You are given a document containing text, tables, and images. Extract all the contents in their correct format. Extract each table in a correct format and include a detailed explanation of each table before its extracted format. 
If an image contains text, extract all the text in the correct format and include a detailed explanation of each image before its extracted text. 
Produce the output in markdown text. Extract each page separately in the form of an individual node. Assign the document name and page number to each extracted node in the format: [Creativity and Business, page 7]. 
Include the document name and page number at the start and end of each extracted page.

解析されたドキュメントは、LlamaCloudからMarkDown形式でダウンロードされました。同じ解析は、次のようにllamacloud APIを介して行うことができます。
Pikkala、A。et al。、（2015）（ "import os from llama_parse import LlamaParse from llama_index.core import SimpleDirectoryReader # Define parsing instructions parsing_instructions = """ Extract the text from the document using proper structure. """ def save_to_markdown(output_path, content): """ Save extracted content to a markdown file. Parameters: output_path (str): The path where the markdown file will be saved. content (list): The extracted content to be saved. """ with open(output_path, "w", encoding="utf-8") as md_file: for document in content: # Extract the text content from the Document object md_file.write(document.text + "nn") # Access the 'text' attribute def extract_document(input_path): # Initialize the LlamaParse parser parsing_instructions = """You are given a document containing text, tables, and images. Extract all the contents in their correct format. Extract each table in a correct format and include a detailed explanation of each table before its extracted format. If an image contains text, extract all the text in the correct format and include a detailed explanation of each image before its extracted text. Produce the output in markdown text. Extract each page separately in the form of an individual node. Assign the document name and page number to each extracted node in the format: [Creativity and Business, page 7]. Include the document name and page number at the start and end of each extracted page. """ parser = LlamaParse( result_type="markdown", parsing_instructions=parsing_instructions, premium_mode=True, api_key=LLAMA_CLOUD_API_KEY, verbose=True ) file_extractor = {".pdf": parser} documents = SimpleDirectoryReader( input_path, file_extractor=file_extractor ).load_data() return documents input_path = r"C:Usersh02317Downloadsdocs" # Replace with your document path output_file = r"C:Usersh02317Downloadsextracted_document.md" # Output markdown file name # Extract the document extracted_content = extract_document(input_path) save_to_markdown(output_file, extracted_content)

このページの解析出力は次のとおりです。 Lamaparseは、ページ内のすべての構造から情報を効率的に抽出しました。ページに示されているノートブックは画像​​形式です。

解析されたマークダウンドキュメントは、langchainのrecursiveCharacterTextSplitter

を使用してチャンクに分割されます。

[Creativity and Business, page 8]

# How to use this book

1. The book is divided into six chapters and sub-sections dealing with different topics. You can read the book through one chapter and topic at a time, or you can use the checklist of the table of contents to select sections on topics in which you need more information and support.

2. Each section opens with a creative entrepreneur's thought on the topic.

3. The introduction gives a brief description of the topic.

4. Each section contains exercises that help you reflect on your own skills and business idea and develop your business idea further.

## What is your business idea

"I would like to launch 
a touring theatre company."

Do you have an idea about a product or service you would like 
to sell? Or do you have a bunch of ideas you have been mull-
ing over for some time? This section will help you get a better 
understanding about your business idea and what competen-
cies you already have that could help you implement it, and 
what types of competencies you still need to gain.

### EXTRA
Business idea development 
in a nutshell

I found a great definition of what business idea development 
is from the My Coach online service (Youtube 27 May 2014). 
It divides the idea development process into three stages: 
the thinking - stage, the (subconscious) talking - stage, and the 
customer feedback stage. It is important that you talk about 
your business idea, as it is very easy to become stuck on a 
particular path and ignore everything else. You can bounce 
your idea around with all sorts of people: with a local business 
advisor; an experienced entrepreneur; or a friend. As you talk 
about your business idea with others, your subconscious will 
start working on the idea, and the feedback from others will 
help steer the idea in the right direction.

### Recommended reading
Taivas + helvetti 
(Terho Puustinen & Mika Mäkeläinen: 
One on One Publishing Oy 2013)

### Keywords
treasure map; business idea; business idea development

## EXERCISE: Identifying your personal competencies

Write down the various things you have done in your life and think what kind of competencies each of these things has 
given you. The idea is not just to write down your education, 
training and work experience like in a CV; you should also 
include hobbies, encounters with different types of people, and any life experiences that may have contributed to you 
being here now with your business idea. The starting circle can be you at any age, from birth to adulthood, depending 
on what types of experiences you have had time to accumulate. The final circle can be you at this moment.

PERSONAL CAREER PATH

SUPPLEMENTARY 
PERSONAL DEVELOPMENT
(e.g. training courses; 
literature; seminars)

Fill in the 
"My Competencies" 
section of the 
Creative Business 
Model Canvas:

5. Each section also includes an EXTRA box with interesting tidbits about the topic at hand.

6. For each topic, tips on further reading are given in the grey box.

7. The second grey box contains recommended keywords for searching more information about the topic online.

8. By completing each section of the one-page business plan or "Creative Business Model Canvas" (page 74), 
by the end of the book you will have a complete business plan.

9. By writing down your business start-up costs (e.g. marketing or logistics) in the price tag box of each section, 
by the time you get to the Finance and Administration section you will already know your start-up costs 
and you can enter them in the receipt provided in the Finance and Administration section (page 57).

This book is based on Finnish practices. The authors and the publisher are not responsible for the applicability of factual information to other 
countries. Readers are advised to check country-specific information on business structures, support organisations, taxation, legislation, etc. 
Factual information about Finnish practices should also be checked in case of differing interpretations by authorities.

[Creativity and Business, page 8]

その後、オープンソース

All-Minilm-L6-V2モデルまたはOpenaiのText-Embedding-3-Large などの埋め込みモデルを使用して、VectorStoreがChromaデータベースに作成されます。 。

def staticChunker(folder_path):
    docs = []
    print(f"Creating chunks. CHUNK_SIZE: {CHUNK_SIZE}, CHUNK_OVERLAP: {CHUNK_OVERLAP}")

    # Loop through all .md files in the folder
    for file_name in os.listdir(folder_path):
        if file_name.endswith(".md"):
            file_path = os.path.join(folder_path, file_name)
            print(f"Processing file: {file_path}")
            # Load documents from the Markdown file
            loader = UnstructuredMarkdownLoader(file_path)
            documents = loader.load()
            # Add file-specific metadata (optional)
            for doc in documents:
                doc.metadata["source_file"] = file_name
            # Split loaded documents into chunks
            text_splitter = RecursiveCharacterTextSplitter(chunk_size=CHUNK_SIZE, chunk_overlap=CHUNK_OVERLAP)
            chunked_docs = text_splitter.split_documents(documents)
            docs.extend(chunked_docs)
    return docs

エージェントワークフローの作成 AIエージェントは、ワークフローと意思決定ロジックの組み合わせであり、質問にインテリジェントに答えたり、より単純なサブタスクに分割する必要がある他の複雑なタスクを実行したりします。 ランググラフを使用して、グラフの形で一連のアクションまたは決定のためにAIエージェント用のワークフローを設計しました。私たちのエージェントは、Vectorデータベース（ナレッジベース）、Web検索、ハイブリッド検索、またはツールを使用して質問に答えるかどうかを決定する必要があります。

次の記事では、Langgraphを使用してエージェントワークフローを作成するプロセスを説明しました。

自動インターネット検索で無料のAIエージェントを開発する方法決定を下すためのワークフローを表すグラフ

ノード

を作成する必要があります（例：Web検索またはベクトルデータベース検索）。ノードは、

エッジで接続されており、決定と行動の流れを定義します（たとえば、検索後の次の状態は何ですか）。グラフ状態は、情報がグラフを介して移動するときに情報を追跡し、エージェントが各ステップに正しいデータを使用するようにします。 ワークフローのエントリポイントは、ユーザーのクエリを分析してワークフローで実行する初期ノードを決定するルーター関数です。ワークフロー全体には、次のノードが含まれています

取得

：VectorStoreからセマンティックに似た類似の情報の塊を取得します。
• _grade_documents_：ユーザーのクエリに基づいて、取得したチャンクの関連性を評価します。 _route_after_grading
_：グレーディングに基づいて、検索されたドキュメントで応答をGenreateTまたはWeb検索に進むかどうかを決定します。
• websearch
• ：Tavily Search EngineのAPIを使用してWebソースから情報を取得します。
Generate
• ：提供されたコンテキストを使用してユーザーのクエリへの応答を生成します（Vector Storeおよび/またはWeb検索から取得した情報）。 _get_contact_tool_：フィンランドの移民サービスに関連する事前定義された信頼できるURLから連絡先情報を取得します。
_
• get_tax_info _：事前定義された信頼できるURLから税関連の情報を取得します _get_registration_info _：事前定義された信頼できるURLからフィンランドの会社登録プロセスの詳細を取得します。
_
• get_licensing_info_：フィンランドでのビジネスを始めるために必要なライセンスと許可に関する情報を取得します。 _
hybrid_search
• _：ドキュメントの検索結果とインターネット検索結果を組み合わせて、クエリに答えるためのより広範なコンテキストを提供します。
無関係な
• ：ワークフローのフォーカスとは無関係の質問を処理します
• ここにワークフローのエッジがあります。
  • _取得→grade_documents _：検索されたドキュメントがグレーディングのために送信されます。
  • _grade_documents→websearch _：取得されたドキュメントが無関係であるとみなされた場合、Web検索が呼び出されます。
  _
  • grade_documents→生成_：検索されたドキュメントが関連する場合、応答生成に進みます。
  • webearch→生成 ：応答生成のWeb検索の結果に合格します。 _get_contact_tool、get_tax
  info
  • 、_get_Registrationinfo、_get_licensinginfo→生成：これらの4つのツールから>へのエッジ生成ノードは、応答生成のために特定の信頼できるソースから取得した情報を渡します。 _hybridsearch
  →
  • 生成：応答生成のために合計結果（vectorstore webearch）を渡します。 無関係な→
  生成
  • ：無関係な質問のフォールバック応答を提供します。 グラフ状態構造は、ワークフローの状態を維持するための容器として機能し、次の要素を含みます。
  質問

  ：ワークフローを駆動するユーザーのクエリまたは入力。

  • Generation ：処理後に入力されるユーザーのクエリに対する最終生成された応答。 _
  web_search_needed
  • _：取得されたドキュメントの関連性に基づいてWeb検索が必要かどうかを示すフラグ。 ドキュメント
  ：クエリに関連する取得または処理されたドキュメントのリスト。
  • _Answer_style _：「Concise」、「Moderate」、または「説明」など、希望する答えのスタイルを指定します。
  • グラフ状態構造は、次のように定義されています 次のルーター関数はクエリを分析し、処理のために関連するノードにルーティングします。ツール選択辞書とクエリからツール/ノードを選択するためのプロンプトを含むチェーンが作成されます。チェーンはルーターLLMを呼び出して、関連するツールを選択します。 ワークフローに関連していない質問は、_handle
  • generateノードを介してフォールバック応答を提供する_handle ノードにルーティングされます。
  ワークフロー全体を次の図に示します。

  

  検索とグレーディング

  retiveノードは、ベクターストアから関連する情報のチャンクを取得するために、質問とともにレトリーバーを呼び出します。これらのチャンク（ ""）は、_grade ドキュメントに送信され、関連性を評価するためにノードノードに送信されます。格付けされたチャンク（ "_filtereddocs "）に基づいて、_route_aftergradingnodeは、取得した情報を生成するか、Web検索を呼び出すかを決定します。ヘルパー関数_initialize_graderチェーングレーダーチェーンを初期化して、各チャンクの関連性を評価するようにグレーダーLLMを導くプロンプトを使用します。 _grade ドキュメントノードは、各チャンクを分析して、質問に関連するかどうかを判断します。チャンクごとに、チャンクが質問に関連しているかどうかに応じて、 "yes"または "no"を出力します。

  WebおよびHybrid Search

  You are given a document containing text, tables, and images. Extract all the contents in their correct format. Extract each table in a correct format and include a detailed explanation of each table before its extracted format. 
  If an image contains text, extract all the text in the correct format and include a detailed explanation of each image before its extracted text. 
  Produce the output in markdown text. Extract each page separately in the form of an individual node. Assign the document name and page number to each extracted node in the format: [Creativity and Business, page 7]. 
  Include the document name and page number at the start and end of each extracted page.

  _Web

  検索

  ノードは、_route_aftergradingnodeのいずれかで到達します。どちらかの_internet_searchenabled状態フラグは "true"（selectedユーザーインターフェイスのラジオボタンによって）、またはルーター関数は、クエリを_WEBSEARCINGにルーティングすることを決定し、最近のより関連性のある情報を取得します。 タビリー検索エンジンの無料APIは、ウェブサイトでアカウントを作成することで取得できます。無料プランでは、1か月あたり1000のクレジットポイントが提供されます。タビリーの検索結果は、状態変数「document」に追加されます。これは、状態変数でノードを生成する

  ノードに渡されます。

  ハイブリッド検索では、レトリバーとタビリー検索の両方の結果を組み合わせて、「document」状態変数を検索し、「question> question 」状態変数でノードを生成するために渡されます。 ツールの呼び出し

  このエージェントワークフローで使用されるツールは、事前に定義された信頼できるURLから情報を取得するための廃棄関数です。 Tavilyとこれらのツールの違いは、多様なソースからの結果をもたらすために、より広範なインターネット検索を実行することです。一方、これらのツールはPythonの美しいスープWebスクラッピングライブラリを使用して、信頼できるソース（事前定義されたURL）から情報を抽出します。このようにして、特定のクエリに関する情報が、既知の信頼できるソースから抽出されていることを確認します。さらに、この情報検索は完全に無料です

  ここに、_get_taxinfoノードがいくつかのヘルパー関数で動作する方法があります。このタイプの他のツール（ノード）も同じ方法で機能します。

  You are given a document containing text, tables, and images. Extract all the contents in their correct format. Extract each table in a correct format and include a detailed explanation of each table before its extracted format. 
  If an image contains text, extract all the text in the correct format and include a detailed explanation of each image before its extracted text. 
  Produce the output in markdown text. Extract each page separately in the form of an individual node. Assign the document name and page number to each extracted node in the format: [Creativity and Business, page 7]. 
  Include the document name and page number at the start and end of each extracted page.

  応答の生成

  ノード、Generateは、以下に説明する事前定義されたプロンプト（Langchainの prospttemplateclass）を使用してチェーンを呼び出すことにより最終応答を作成します。 _ragpromptは、状態変数を受信します_ n "、" context "、および" Answer_styl_e "をガイドし、全体をガイドします。応答スタイル、会話トーン、フォーマットガイドライン、引用ルール、ハイブリッドコンテキスト処理、コンテキストのみのフォーカスに関する指示を含む応答生成の動作。 generate

  nodeが最初に状態変数を取得します "

  import os
  from llama_parse import LlamaParse
  from llama_index.core import SimpleDirectoryReader
  
  # Define parsing instructions
  parsing_instructions = """
  Extract the text from the document using proper structure.
  """
  def save_to_markdown(output_path, content):
      """
      Save extracted content to a markdown file.
  
      Parameters:
      output_path (str): The path where the markdown file will be saved.
      content (list): The extracted content to be saved.
      """
      with open(output_path, "w", encoding="utf-8") as md_file:
          for document in content:
              # Extract the text content from the Document object
              md_file.write(document.text + "nn")  # Access the 'text' attribute
  
  def extract_document(input_path):
      # Initialize the LlamaParse parser
      parsing_instructions = """You are given a document containing text, tables, and images. Extract all the contents in their correct format. Extract each table in a correct format and include a detailed explanation of each table before its extracted format. 
      If an image contains text, extract all the text in the correct format and include a detailed explanation of each image before its extracted text. 
      Produce the output in markdown text. Extract each page separately in the form of an individual node. Assign the document name and page number to each extracted node in the format: [Creativity and Business, page 7]. 
      Include the document name and page number at the start and end of each extracted page.
      """
      parser = LlamaParse(
          result_type="markdown",
          parsing_instructions=parsing_instructions,
          premium_mode=True,
          api_key=LLAMA_CLOUD_API_KEY,
          verbose=True
      )
  
      file_extractor = {".pdf": parser}
      documents = SimpleDirectoryReader(
          input_path, file_extractor=file_extractor
      ).load_data()
      return documents
  
  input_path = r"C:Usersh02317Downloadsdocs"  # Replace with your document path
  output_file = r"C:Usersh02317Downloadsextracted_document.md"  # Output markdown file name
  
  # Extract the document
  extracted_content = extract_document(input_path)
  save_to_markdown(output_file, extracted_content)

  question

  "、 "documents"、および「_answerstyle」およびフォーマット「ドキュメント」は、コンテキストとして機能する単一の文字列に入ります。その後、_ragpromptおよび応答生成LLM _を使用して生成チェーンを呼び出して、 "generatio_n" state変数に入力される最終回答を生成します。この状態変数は、_app.p_yによって使用されて、 retrylitユーザーインターフェイスに生成された応答を表示します。 GROQの無料APIを使用すると、モデルのレートまたはコンテキストウィンドウの制限に達する可能性があります。その場合、私はノードを生成して、モデル名のリストから円形のファッションでモデルを動的に切り替え、応答を生成した後の現在のモデルに戻すようにモデルを動的に切り替えました。 ヘルパー関数

  アプリケーション、LLM、埋め込みモデル、およびセッション変数を初期化するために、_Agenticrag.pyには他の支援関数があります。関数_Initialize

  app

  [Creativity and Business, page 8]
  
  # How to use this book
  
  1. The book is divided into six chapters and sub-sections dealing with different topics. You can read the book through one chapter and topic at a time, or you can use the checklist of the table of contents to select sections on topics in which you need more information and support.
  
  2. Each section opens with a creative entrepreneur's thought on the topic.
  
  3. The introduction gives a brief description of the topic.
  
  4. Each section contains exercises that help you reflect on your own skills and business idea and develop your business idea further.
  
  ## What is your business idea
  
  "I would like to launch 
  a touring theatre company."
  
  Do you have an idea about a product or service you would like 
  to sell? Or do you have a bunch of ideas you have been mull-
  ing over for some time? This section will help you get a better 
  understanding about your business idea and what competen-
  cies you already have that could help you implement it, and 
  what types of competencies you still need to gain.
  
  ### EXTRA
  Business idea development 
  in a nutshell
  
  I found a great definition of what business idea development 
  is from the My Coach online service (Youtube 27 May 2014). 
  It divides the idea development process into three stages: 
  the thinking - stage, the (subconscious) talking - stage, and the 
  customer feedback stage. It is important that you talk about 
  your business idea, as it is very easy to become stuck on a 
  particular path and ignore everything else. You can bounce 
  your idea around with all sorts of people: with a local business 
  advisor; an experienced entrepreneur; or a friend. As you talk 
  about your business idea with others, your subconscious will 
  start working on the idea, and the feedback from others will 
  help steer the idea in the right direction.
  
  ### Recommended reading
  Taivas + helvetti 
  (Terho Puustinen & Mika Mäkeläinen: 
  One on One Publishing Oy 2013)
  
  ### Keywords
  treasure map; business idea; business idea development
  
  ## EXERCISE: Identifying your personal competencies
  
  Write down the various things you have done in your life and think what kind of competencies each of these things has 
  given you. The idea is not just to write down your education, 
  training and work experience like in a CV; you should also 
  include hobbies, encounters with different types of people, and any life experiences that may have contributed to you 
  being here now with your business idea. The starting circle can be you at any age, from birth to adulthood, depending 
  on what types of experiences you have had time to accumulate. The final circle can be you at this moment.
  
  PERSONAL CAREER PATH
  
  SUPPLEMENTARY 
  PERSONAL DEVELOPMENT
  (e.g. training courses; 
  literature; seminars)
  
  Fill in the 
  "My Competencies" 
  section of the 
  Creative Business 
  Model Canvas:
  
  5. Each section also includes an EXTRA box with interesting tidbits about the topic at hand.
  
  6. For each topic, tips on further reading are given in the grey box.
  
  7. The second grey box contains recommended keywords for searching more information about the topic online.
  
  8. By completing each section of the one-page business plan or "Creative Business Model Canvas" (page 74), 
  by the end of the book you will have a complete business plan.
  
  9. By writing down your business start-up costs (e.g. marketing or logistics) in the price tag box of each section, 
  by the time you get to the Finance and Administration section you will already know your start-up costs 
  and you can enter them in the receipt provided in the Finance and Administration section (page 57).
  
  This book is based on Finnish practices. The authors and the publisher are not responsible for the applicability of factual information to other 
  countries. Readers are advised to check country-specific information on business structures, support organisations, taxation, legislation, etc. 
  Factual information about Finnish practices should also be checked in case of differing interpretations by authorities.
  
  [Creativity and Business, page 8]

  は、アプリの初期化中に

  app.py

  から呼び出され、モデルまたは状態変数が

  retrylitアプリを介して変更されるたびに__がトリガーされます。コンポーネントを再活性化し、更新された状態を保存します。この機能は、さまざまなセッション変数を追跡し、冗長な初期化を防ぎます。 次のヘルパー関数は、回答LLM、埋め込みモデル、ルーターLLM、およびグレーディングLLMを初期化します。モデル名のリスト、_model リストは、 generatenode。

  ワークフローの確立

  def staticChunker(folder_path):
      docs = []
      print(f"Creating chunks. CHUNK_SIZE: {CHUNK_SIZE}, CHUNK_OVERLAP: {CHUNK_OVERLAP}")
  
      # Loop through all .md files in the folder
      for file_name in os.listdir(folder_path):
          if file_name.endswith(".md"):
              file_path = os.path.join(folder_path, file_name)
              print(f"Processing file: {file_path}")
              # Load documents from the Markdown file
              loader = UnstructuredMarkdownLoader(file_path)
              documents = loader.load()
              # Add file-specific metadata (optional)
              for doc in documents:
                  doc.metadata["source_file"] = file_name
              # Split loaded documents into chunks
              text_splitter = RecursiveCharacterTextSplitter(chunk_size=CHUNK_SIZE, chunk_overlap=CHUNK_OVERLAP)
              chunked_docs = text_splitter.split_documents(documents)
              docs.extend(chunked_docs)
      return docs

  グラフ状態、ノード、_routequestionを使用した条件付きエントリポイント、およびエッジは、ノード間の流れを確立するために定義されています。最後に、ワークフローは実行可能ファイルAPPにコンパイルされており、

  Streamlit

  def load_or_create_vs(persist_directory):
      # Check if the vector store directory exists
      if os.path.exists(persist_directory):
          print("Loading existing vector store...")
          # Load the existing vector store
          vectorstore = Chroma(
              persist_directory=persist_directory,
              embedding_function=st.session_state.embed_model,
              collection_name=collection_name
          )
      else:
          print("Vector store not found. Creating a new one...n")
          docs = staticChunker(DATA_FOLDER)
          print("Computing embeddings...")
          # Create and persist a new Chroma vector store
          vectorstore = Chroma.from_documents(
              documents=docs,
              embedding=st.session_state.embed_model,
              persist_directory=persist_directory,
              collection_name=collection_name
          )
          print('Vector store created and persisted successfully!')
  
      return vectorstore

  インターフェイス内で使用されます。ワークフローの条件エントリポイントは、_route

  question

  関数を使用して、クエリに基づいてワークフローの最初のノードを選択します。条件付きエッジ（_WorkFlow.Add_Conditional

  エッジ）は、

  >>に移行するか、によって決定されたチャンクの関連性に基づいてノードを生成するかを説明します。ドキュメントnode。

  You are given a document containing text, tables, and images. Extract all the contents in their correct format. Extract each table in a correct format and include a detailed explanation of each table before its extracted format. 
  If an image contains text, extract all the text in the correct format and include a detailed explanation of each image before its extracted text. 
  Produce the output in markdown text. Extract each page separately in the form of an individual node. Assign the document name and page number to each extracted node in the format: [Creativity and Business, page 7]. 
  Include the document name and page number at the start and end of each extracted page.

  流線インターフェイス

  App.pyのretremlitアプリケーションは、モデル選択、回答スタイル、クエリ固有のツールの動的設定を使用して、質問をして回答を表示するインタラクティブなインターフェイスを提供します。 _agenticapp 関数、_agenticrag.pyからインポートされている関数、すべてのLLM、埋め込みモデル、および左サイドバーから選択されたその他のオプションを含むすべてのセッション変数を初期化します。 sys.stdout

  を

  io.stringioバッファーにリダイレクトすることによってキャプチャされます。このバッファーの内容は、_text 領域コンポーネントを使用してデバッグプレースホルダーに表示されます。 ここに、retrylitインターフェイスのスナップショットがあります：

  import os
  from llama_parse import LlamaParse
  from llama_index.core import SimpleDirectoryReader
  
  # Define parsing instructions
  parsing_instructions = """
  Extract the text from the document using proper structure.
  """
  def save_to_markdown(output_path, content):
      """
      Save extracted content to a markdown file.
  
      Parameters:
      output_path (str): The path where the markdown file will be saved.
      content (list): The extracted content to be saved.
      """
      with open(output_path, "w", encoding="utf-8") as md_file:
          for document in content:
              # Extract the text content from the Document object
              md_file.write(document.text + "nn")  # Access the 'text' attribute
  
  def extract_document(input_path):
      # Initialize the LlamaParse parser
      parsing_instructions = """You are given a document containing text, tables, and images. Extract all the contents in their correct format. Extract each table in a correct format and include a detailed explanation of each table before its extracted format. 
      If an image contains text, extract all the text in the correct format and include a detailed explanation of each image before its extracted text. 
      Produce the output in markdown text. Extract each page separately in the form of an individual node. Assign the document name and page number to each extracted node in the format: [Creativity and Business, page 7]. 
      Include the document name and page number at the start and end of each extracted page.
      """
      parser = LlamaParse(
          result_type="markdown",
          parsing_instructions=parsing_instructions,
          premium_mode=True,
          api_key=LLAMA_CLOUD_API_KEY,
          verbose=True
      )
  
      file_extractor = {".pdf": parser}
      documents = SimpleDirectoryReader(
          input_path, file_extractor=file_extractor
      ).load_data()
      return documents
  
  input_path = r"C:Usersh02317Downloadsdocs"  # Replace with your document path
  output_file = r"C:Usersh02317Downloadsextracted_document.md"  # Output markdown file name
  
  # Extract the document
  extracted_content = extract_document(input_path)
  save_to_markdown(output_file, extracted_content)

  次の画像は、「

  llama-3.3–70b-ververatile

  によって生成された答えを示しています。クエリルーター（_routequestion

  ）はレトリバー（ベクトル検索）を呼び出し、グレーダー関数はすべての検索されたチャンクが関連するものを見つけます。したがって、生成ノードを介して回答を生成する決定は、_route_aftergradingnode。によって実行されます。 次の画像は、「説明」の回答スタイルを使用して、同じ質問に対する答えを示しています。 _ragPrompt

  で指示されているように、LLMはより多くの説明で答えを詳しく述べています。

  次の画像は、質問に応じて_get_license infoツールをトリガーするルーターを示しています。 次の画像は、ベクター検索で関連するチャンクが見つからない場合、_route_after

  grading nodeによって呼び出されたWeb検索を示しています。

  次の画像は、 retrylit

  アプリケーションで選択されたハイブリッド検索オプションで生成された応答を示しています。 _routequstion

  nodeは、_internet_searchinabledstate flag '

  true ’を見つけて、_hybrid

  searchnode。に質問をルーティングします。 このアプリケーションは、いくつかの方向、たとえばで強化できます

  • 音声対応の検索と質問を複数の言語で回答する（例：ロシア語、エストニア語、アラビア語など）
  • 応答のさまざまな部分を選択し、詳細または説明を求めています。
  最後の
  • nメッセージの数のメモリを追加します。 問題の回答の他のモダリティ（画像など）を含む
  ブレーンストーミング、ライティング、およびアイデア生成のためのエージェントの追加
  • それはすべての人です！
  記事が気に入ったら、記事（複数回

  ？）を叩き、コメントを書いて、MediumとLinkedInで私をフォローしてください。

以上が事業計画と起業家精神のためのAI駆動のスマートガイドの開発の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。