OUR + YOUR SPACE

기존 Stuff LCEL Chain 을 이용한 문서 검색을 위하여 문서를 읽어드린후 검색하는 예제 기록

st.chat_message(name, *, avatar=None) 채팅 메시지 컨테이너를 삽입 반환된 컨테이너에 요소를 추가하려면 with문을 이용하여 추가하거나 또는 return받은 값에서 직접 메서드를 호출 name 파라미터 메시지 작성자의 이름이 들어감 [human, user, ai, assistant, 문자열] 등등이 들어감 st.chat_input 입력 위젯을 출력함 을 입력하면 입력 윗젯을 출력할 수 있음 st.session_state 세션 상태는 각 사용자 세션에 대해 재실행 간에 변수를 공유하는 방법 상태를 저장하고 유지하는 기능 외에도 Streamlit은 콜백을 사용하여 상태를 조작하는 기능도 제공 세션 상태는 다중 페이지 앱 내의 여러 앱에서도 지속됩니다 . 세션 상태의 값 초기화 읽..

pages 디렉토리를 생성하고 파일을 추가하면 자동으로 사이드메뉴가 생성됨 이런식으로 디렉토리와 파일을 생성하면 브라우저에서 형태로 출력이 됨 또한 st.set_page_config 를 이용하여 브라우저 상단 타이틀과 파비콘을 추가 할 수 있음 사이드 와 Tab 바 생성 형태로 생성할 수 있음

st.write st.write는 스트림릿 앱에 텍스트와 인수를 작성하는 데 사용됩니다. 텍스트를 표시할 수 있을 뿐만 아니라, st.write() 명령을 통해 다음도 표시할 수 있습니다. 문자열 출력; st.markdown()처럼 작동 파이썬 dict 표시 pandas DataFrame을 테이블로 표시 matplotlib, plotly, altair, graphviz, bokeh의 플롯/그래프/그림 그 외 더 많음 (st.write API 문서 참조) Magic 매직 명령은 명시적인 명령을 전혀 입력하지 않고도 거의 모든 것(마크다운, 데이터, 차트)을 출력 표시하려는 항목을 자체 코드 줄에 넣으면 앱에 표시됩니다. 예는 다음과 같습니다. 매직의 작동 방식 Streamlit은 자체 라인에서 변수나 리터..

streamlit streamlit은 python 만으로 웹 개발을 할 수 있는 기술 스택 1. 코드가 짧고 간결 2. 배포가 쉬움 3. 데이터 분석, AI 서비스를 빠르게 개발 단점 1. 세밀한 UI/UX 적용이 어려움 2. 사용자가 늘었을 때, 대응이 어려움. 2. 복잡한 형태의 서비스 구현이 어려움 실행 streamlit run 파일명

[결과] AIMessage(content='Victory Mansions is a dilapidated apartment building in London where Winston Smith resides in George Orwell\'s novel "1984." The building is run-down, with shabby walls, broken elevators, and small, cramped apartments lacking basic amenities. It is part of a dystopian society controlled by a totalitarian regime, characterized by constant surveillance and poor living condi..

RetrievalQA 대신 LangChain Expression Language을 이용하여 RAG(Retrieval-Augmented Generation) 검색처리 해당 단계는 데이토 로드. 텍스트 분할, 인텍싱, 검색, 생성 1. 데이터 로드 RAG에 사용할 데이터를 불러오는 단계 외부 데이터 소스에서 정보를 수집하고, 필요한 형식으로 변환하여 시스템에 로드 langchain.document_loaders 모듈에서 UnstructuredFileLoader 클래스를 이용하여 데이터를 호출하고 있음 2. 텍스트 분할(Text Split) 불러온 데이터를 작은 크기의 단위(chunk)로 분할하는 과정 자연어 처리(NLP) 기술을 활용하여 큰 문서를 처리가 쉽도록 문단, 문장 또는 구 단위로 나누는 작업 검색..

RetrievalQA 문서검색 LLMChain을 이용하여 검색이 가능하지만 이는 Legacy 이므로 LCEL 형태로 검색하는것을 추천 검색방식 Stuff[문서 전체 요약]: 단순히 모든 문서를 단일 프롬프트로 "넣는" 방식입니다. 이는 가장 간단한 접근 방식입니다. Map-reduce[문서 분할-병합 요약]: 각 문서를 "map" 단계에서 개별적으로 요약한 다음, "reduce" 단계에서 요약본들을 최종 요약본으로 합치는 방식입니다. Refine[문서 분할-병합 요약]: 입력 문서를 순회하며 반복적으로 답변을 업데이트하여 응답을 구성합니다. 각 문서에 대해, 모든 비문서 입력, 현재 문서, 그리고 최신 중간 답변을 LLM chain에 전달하여 새로운 답변을 얻습니다. Map-ReRank:각 맵 리랭크 문..

OpenAIEmbeddings 임베딩 모델로는 "text-embedding-3-large"를 사용 이 모델은 OpenAI에서 제공하는 대규모 텍스트 임베딩 모델 중 하나 생성된 embeddings 객체는 텍스트를 벡터로 변환하는 데 사용 [결과] [-0.03629460018406378, -0.007184663262302321, -0.03371515688153162, -0.028660489003748433, -0.02683663892458552, 0.03460102723929279, -0.012421715775472752, -0.007764386917723339, 0.0019410967294308348, -0.002639696151225509, 0.024739212823664366, -0.002437770..

https://wikidocs.net/233815 01. OpenAIEmbeddings .custom { background-color: #008d8d; color: white; padding: 0.25em 0.5… wikidocs.net