NVIDIA et LangChain lancent un guide avancé sur la rédaction de rapports structurés pour l'analyse, permettant de générer des rapports techniques pilotés par l'IA.

Introduction générale

Il s'agit d'un projet de génération de rapports structurés co-développé par LangChain et NVIDIA, présenté dans un tutoriel Jupyter notebook sur GitHub. Le projet s'appuie sur des techniques d'IA avancées, en particulier le modèle Llama-3.3-70b, pour automatiser la génération de rapports techniques professionnels. La caractéristique principale du projet est un système de génération de rapports en plusieurs étapes construit à l'aide de LangGraph de LangChain, comprenant la planification du rapport, la recherche sur le web et la rédaction du contenu. Le système est capable de planifier automatiquement les chapitres d'un rapport sur la base de sujets définis par l'utilisateur et de schémas structurels, d'effectuer des recherches intelligentes sur le web pour trouver des informations pertinentes grâce à Tavily, et de générer des rapports techniques clairement structurés et rédigés de manière professionnelle. Le projet est particulièrement adapté aux développeurs et aux équipes techniques qui ont besoin de produire rapidement des documents techniques de haute qualité.

Recommandé :STORM : recherche de données sur le web sur la base de thèmes, génération d'articles avec citations, rapports d'articles longs

Liste des fonctions

• Planification automatisée de la structure des rapports : génération d'ébauches de rapports sur la base des informations fournies par l'utilisateur sur les sujets et les exigences organisationnelles.
• Recherche intelligente sur le web : recherche ciblée sur le web et collecte d'informations à l'aide de l'API Tavily
• Traitement parallèle des chapitres du rapport : permet la recherche et la rédaction simultanées de plusieurs chapitres.
• Personnalisation souple des rapports : recherche d'actualités ou de contenu général à la demande
• Contrôle des sorties structurées : prise en charge des tableaux, des listes et d'autres formats de langage de balisage
• Suivi des citations de sources : collecte et formatage automatiques des sources de référence
• Mécanismes de contrôle de la qualité : y compris les limites de mots et les contrôles de formatage
• Environnement de développement interactif : implémentation complète du carnet Jupyter

Utiliser l'aide

1. préparation à l'environnement

1. Installer les paquets de dépendances nécessaires :

%pip install --quiet -U langgraph langchain_community langchain_core tavily-python langchain_nvidia_ai_endpoints

1. Configurez la clé API :

• Clé API pour l'essai de NVIDIA NIM
  • entretiensPage NVIDIA NIMS'enregistrer et obtenir une clé API
  • 1 000 crédits d'essai API pour les nouveaux utilisateurs
• Clé API LangChain
  • existentPage des paramètres de LangChainCréer un compte
  • Naviguez vers "API Keys" pour créer une nouvelle clé API.
• Tavily Clé API
  • entretiensAccueil Tavilycréer un compte
  • Création d'une clé API

2. initialisation du projet

1. Définition des variables d'environnement :

Python

import os
os.environ["NVIDIA_API_KEY"] = "your-nvidia-api-key"
os.environ["LANGCHAIN_API_KEY"] = "your-langchain-api-key"
os.environ["TAVILY_API_KEY"] = "your-tavily-api-key"

1. Initialiser les clients nécessaires :

Python

from tavily import TavilyClient, AsyncTavilyClient
tavily_client = TavilyClient()
tavily_async_client = AsyncTavilyClient()

3. le processus de génération de rapports

1. Définir la structure hiérarchique :

Python

report_structure = """
This report type focuses on comparative analysis.
The report structure should include:
1. Introduction
2. Main Body Sections
3. Conclusion with Comparison Table
"""

1. Définir le thème du rapport :

Python

report_topic = "你的报告主题"

1. Configurer les paramètres de recherche :

Python

tavily_topic = "general"  # 或 "news"
tavily_days = None  # 仅适用于新闻主题

1. Générer un plan de rapport :

Python

sections = await generate_report_plan({
"topic": report_topic,
"report_structure": report_structure,
"number_of_queries": 2,
"tavily_topic": tavily_topic,
"tavily_days": tavily_days
})

4. utilisation des fonctions avancées

1. Génération de requêtes personnalisées :

• Modifier les instructions de query_writer pour optimiser les requêtes de recherche
• Ajustez le paramètre number_of_queries pour contrôler le nombre de requêtes par section.

1. Contrôle de la mise en forme du contenu :

• Utiliser la syntaxe Markdown pour définir la hiérarchie des en-têtes
• Prise en charge des contenus structurés tels que les tableaux et les listes
• Vous pouvez contrôler la limite de mots pour chaque chapitre

1. Gestion du contenu des sources :

• Traitement des résultats de recherche à l'aide de la fonction deduplicate_and_format_sources
• Le paramètre max_tokens_per_source peut être ajusté pour contrôler la longueur du contenu de la source.

1. Optimisation du traitement parallèle :

• Recherche parallèle de plusieurs chapitres à l'aide de LangGraph
• Optimiser le flux de traitement en ajustant la configuration du StateGraph

5) Précautions

1. Restrictions d'utilisation de l'API :

• Veillez à surveiller la quantité d'API NVIDIA utilisée.
• Réglage raisonnable de la fréquence d'interrogation afin d'éviter tout dépassement de la limite.

1. Contrôle de la qualité du contenu :

• Veiller à ce que la structure du rapport fournisse des indications claires sur les sections.
• Valider régulièrement l'exactitude du contenu généré

1. Exigences du système :

• Assurer la compatibilité de la version de l'environnement Python
• Maintenir les dépendances à jour

1. Gestion des erreurs :

• Mettre en œuvre des mécanismes appropriés de traitement des erreurs
• Sauvegarder les résultats intermédiaires pour éviter les interruptions de traitement