NVIDIA и LangChain запускают: продвинутое руководство по написанию структурированных отчетов для аналитики, позволяющее создавать технические отчеты на основе искусственного интеллекта

Общее введение

Это проект по созданию структурированных отчетов, разработанный совместно LangChain и NVIDIA и представленный в учебнике Jupyter notebook на GitHub. Проект использует передовые методы искусственного интеллекта, в частности модель Llama-3.3-70b, для автоматизации создания профессиональных технических отчетов. Основной особенностью проекта является многоступенчатая система создания отчетов, построенная с использованием LangChain's LangGraph, включающая планирование отчета, веб-исследование и написание контента. Система способна автоматически планировать главы отчета на основе заданных пользователем тем и структурных схем, осуществлять интеллектуальный поиск нужной информации в Интернете с помощью Tavily и генерировать четко структурированные, профессионально написанные технические отчеты. Проект особенно подходит для разработчиков и технических команд, которым необходимо быстро создавать высококачественные технические документы.

Рекомендуем:STORM: поиск данных в Интернете по темам, генерация статей с цитатами, длинные отчеты о статьях

Список функций

• Автоматизированное планирование структуры отчетов: создание контуров отчетов на основе введенных пользователем тем и организационных требований
• Интеллектуальные веб-исследования: целенаправленный поиск и сбор информации в Интернете с помощью Tavily API
• Параллельная обработка глав отчета: поддерживает одновременное исследование и написание нескольких глав
• Гибкая настройка отчетов: поиск новостей или общего контента по запросу
• Управление структурированным выводом: поддержка таблиц, списков и других форматов языка разметки
• Отслеживание цитирования источников: автоматический сбор и форматирование ссылок на источники
• Механизмы контроля качества: включая ограничения по количеству слов и проверку форматирования
• Интерактивная среда разработки: полная реализация блокнота Jupyter

Использование помощи

1. Подготовка окружающей среды

1. Установите необходимые пакеты зависимостей:

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

1. Настройте ключ API:

• NVIDIA NIM Trial API Key
  • интервьюСтраница NVIDIA NIMЗарегистрируйтесь и получите ключ API
  • 1 000 пробных кредитов API для новых пользователей
• Ключ API LangChain
  • существоватьСтраница настроек LangChainСоздать учетную запись
  • Перейдите в раздел "Ключи API", чтобы создать новый ключ API.
• Tavily Ключ API
  • интервьюДом Тавилизарегистрировать аккаунт
  • Создание ключа API

2. Инициализация проекта

1. Установка переменных окружения:

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. Инициализируйте необходимые клиенты:

Python

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

3. Процесс создания отчета

1. Определите структуру отчетности:

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. Установите тему отчета:

Python

report_topic = "你的报告主题"

1. Настройте параметры поиска:

Python

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

1. Создайте план отчета:

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. Использование расширенных функций

1. Формирование пользовательских запросов:

• Измените инструкции query_writer_instructions для оптимизации поисковых запросов
• Настройте параметр number_of_queries, чтобы управлять количеством запросов на раздел

1. Контроль форматирования содержимого:

• Использование синтаксиса Markdown для установки иерархии заголовков
• Поддержка структурированного содержимого, такого как таблицы и списки
• Вы можете контролировать лимит слов для каждой главы

1. Управление исходным контентом:

• Обработка результатов поиска с помощью функции deduplicate_and_format_sources
• Параметр max_tokens_per_source может быть настроен для управления длиной исходного содержимого

1. Оптимизация параллельной обработки данных:

• Параллельное исследование нескольких глав с помощью LangGraph
• Оптимизируйте поток обработки, изменяя конфигурацию StateGraph

5. предостережения

1. Ограничения на использование API:

• Внимательно следите за количеством использования NVIDIA API
• Разумная установка частоты запросов во избежание превышения лимита

1. Контроль качества контента:

• Убедитесь, что структура_отчета содержит четкие указания по разделам
• Регулярно проверяйте точность созданного контента

1. Системные требования:

• Обеспечьте совместимость версий окружения Python
• Поддерживайте зависимости в актуальном состоянии

1. Обработка ошибок:

• Реализуйте соответствующие механизмы обработки ошибок
• Сохраняйте промежуточные результаты, чтобы избежать прерывания обработки