OUR + YOUR SPACE

실시간으로 텍스트를 노출시키는 방법 임 문서검색의 최종본 from langchain.prompts import ChatPromptTemplate from langchain.document_loaders import UnstructuredFileLoader from langchain.embeddings import CacheBackedEmbeddings, OpenAIEmbeddings from langchain.schema.runnable import RunnableLambda, RunnablePassthrough from langchain.storage import LocalFileStore from langchain.text_splitter import CharacterTextSplitter from ..

import streamlit as st from langchain.document_loaders import UnstructuredFileLoader from langchain.text_splitter import CharacterTextSplitter from langchain.embeddings import CacheBackedEmbeddings, OpenAIEmbeddings from langchain.storage import LocalFileStore from langchain.vectorstores.faiss import FAISS from langchain.prompts import ChatPromptTemplate from langchain.chat_models import ChatOpe..

Streamlit에서 캐싱이 필요한 이유 Streamlit에서 앱에서 상호작용이 발생할 때마다 전체 스크립트가 처음부터 다시 실행 이 모델은 프로그래밍 모델을 간단하게 만들지만 비효율성을 초래 예를 들어, 스크립트에 대용량 데이터셋을 로드하는 함수나 시간이 오래 걸리는 계산을 수행하는 함수가 포함되어 있다면, 스크립트가 재실행될 때마다 해당 함수는 재실행됨 이때 캐싱이 필요 Streamlit의 캐싱을 사용하면 특정 함수가 입력 값이 변경될 때만 다시 실행되도록 할 수 있음 Streamlit 캐싱 사용의 장점 성능 향상: 캐시에 비싼 함수 호출 결과를 저장함으로써 Streamlit 앱의 속도를 향상 시킬수 있으며, 특히 대용량 데이터셋이나 복잡한 기계 학습 모델과 함께 작업할 때 데이터 로드 또는 계산에 ..

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