COHERE COMMAND R: Tutorial Langkah demi Langkah Lengkap

Tutorial ini meneroka COHERE COMMAND R, model bahasa besar canggih (LLM), menunjukkan penggunaannya dalam talian, tempatan, dan melalui API Python Cohere. Kami akan membina ejen AI yang menggunakan langchain dan tavily untuk menyelesaikan tugas pelbagai langkah.

Bagi mereka yang biasa dengan model kohere, lompat ke bahagian projek. Pemula boleh meneroka trek Fundamental AI untuk mengetahui tentang ChatGPT, LLMS, dan AI Generatif.

Apakah perintah cohere r?

Command R adalah Cohere's Advanced LLM, cemerlang dalam interaksi perbualan dan tugas konteks panjang. Pengoptimumannya untuk aliran kerja Generasi Tambahan (RAG) yang kompleks dan penggunaan alat multi-langkah menjadikannya sesuai untuk aplikasi perusahaan.

Ciri -ciri utama perintah cohere r:

Konteks yang dilanjutkan:

mengendalikan sehingga 128k token, melebihi model sebelumnya dalam kualiti dan kebolehpercayaan (had output token 4K).

• Sokongan berbilang bahasa: Dilatih dalam pelbagai korpora berbilang bahasa, dioptimumkan untuk bahasa Inggeris, Perancis, Sepanyol, Itali, Jerman, dan banyak lagi.
• Keupayaan silang bahasa: melakukan penterjemahan dan soalan lintas-lingual menjawab.
• RAG terbina dalam: memudahkan kain tanpa kerangka luaran; Cukup berikan dokumen untuk tindak balas konteks yang menyedari dengan petikan.
• Penggunaan Alat Multi-Langkah: Bersepadu dengan enjin carian dan alat tersuai (pangkalan data, API) untuk respons terkini.
• Untuk pemahaman yang komprehensif mengenai model cohere, rujuk tutorial API Cohere: Bermula dengan model Cohere.
Mengakses perintah cohere r:

Beberapa kaedah wujud, banyak yang percuma:

Akses dalam talian (HuggingChat):

Lawati

https://www.php.cn/link/217ffec3caf17a44bf340fc11d93e8ab

. Pilih "Model," kemudian "C4AI-Command-R-Plus."

masukkan pertanyaan anda; Mengharapkan tindak balas yang cepat dan tepat. Enam alat (penjanaan imej, carian internet, dan lain -lain) juga diintegrasikan.
Akses Tempatan (Jan):

1. Muat turun dan pasang Jan dari https://www.php.cn/link/1d72d067ad71fc47c245e249dc16cb7f .
mengakses hab model (panel kiri).
Cari "PMYSL/C4AI-COMMAND-R-PLUS-GGUF" (Memerlukan & gt; 30GB RAM).
Muat turun dan gunakan versi "Q4_K_M" (~ 31.24GB).

API ACCESS (Jan with Cohere API):

masuk ke
1. https://www.php.cn/link/19c81ddc9575bacf2a6f73b428065821 . pergi ke "Dashboard," kemudian "API Keys," dan buat kunci percubaan.
2. tampal kunci ke dalam "pembekal model" Jan (Tetapan & gt; cohere).
3. Pilih Command R dalam menu "Thread" Jan. Gunakan "Stream" untuk respons masa nyata.

cohere python api:

Pasang:

1. pip install cohere Dapatkan kunci API Cohere (lihat API Access di atas).
2. Sediakan pembolehubah persekitaran (DataCamp's DataLab disyorkan).
3. Mulakan klien Cohere:

import os
import cohere

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

menghasilkan respons menggunakan

:
5. .chat()

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

meneroka ciri -ciri API python cohere:

• Generasi teks: Gunakan preamble, chat_history, max_tokens, dan temperature untuk respons yang disesuaikan.
• streaming: Gunakan .chat_stream() untuk generasi token masa nyata.
• output yang boleh diramal: Tetapkan argumen seed untuk hasil yang boleh dihasilkan.
• RAG: Gunakan argumen documents dalam .chat() untuk respons konteks yang menyedari.
• Embeddings: Gunakan .embed() untuk perwakilan teks semantik.
• penalaan halus: Muat naik dataset tersuai menggunakan .datasets.create() dan fine-tune dengan .finetuning.create_finetuned_model().

Projek AI: Ejen Multi-Langkah dengan Langchain dan Tavily:

Projek ini mencipta ejen AI yang mencari web (tavily) dan menghasilkan/melaksanakan kod python (Python Repl) untuk menghasilkan visualisasi.

1. Pasang pakej: %pip install --quiet langchain langchain_cohere langchain_experimental
2. tetapkan model sembang cohere:

import os
import cohere

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

3. Sediakan alat carian tavily.
4. Sediakan alat repl python.
5. Buat dan laksanakan ejen AI menggunakan create_cohere_react_agent dan AgentExecutor.
6. menguji ejen (mis., Menjana carta pai).

Kesimpulan:

Tutorial ini menyediakan panduan yang komprehensif untuk menggunakan COHERE COMMAND R, menonjolkan keupayaannya dan menunjukkan permohonannya dalam membina agen AI yang canggih. Gabungan LLM dan alat yang kuat seperti Langchain dan Tavily memudahkan pembangunan sistem AI canggih.

Atas ialah kandungan terperinci COHERE COMMAND R: Tutorial Langkah demi Langkah Lengkap. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!