构建LLAMA3🦙+Groq LangGraph RAG Agent

AI全文总结:
## 课代表总结 本视频中，作者展示了如何在上期视频的基础上，为长图模型的代理添加RAG（Retrieve, Align, and Generate）功能，以便在处理电子邮件时能利用自定义知识库。视频首先回顾了之前构建的长图agent的工作流程，并解释了如何将网络搜索替换为信息检索（IG）。接着，作者展示了如何使用Westworld的数据集训练IG模型，进行文本嵌入和初始化CHROMA因子存储。通过测试IG模型，确认其运行良好后，作者开始构建 agent，其中主要的改动是在分类阶段让语言模型根据邮件内容生成问题，以决定是否进行信息检索。最后，作者展示了如何定义状态、节点和边，以构建一个包含IG结果的长图，并通过两个例子演示了更新后agent的工作效果，强调了新功能如何结合数据集信息，根据用户邮件内容生成定制化的回复。 ## 要点 - 📧 **回顾长图agent**：对邮件进行分类，生成问题，用LM判断是否做IG，写draft邮件，最后判断是否重写。 - 🤖 **新增IG功能**：基于Westworld数据集训练IG模型，进行文本分割和嵌入，初始化CHROMA。 - 🧬 **修改分类流程**：让LM根据邮件内容生成问题，决定是否进行IG。 - 💾 **定义状态和节点**：添加IG返回结果（research info），节点包含生成问题、做IG并存结果。 - 🔄 **定义边和图**：新增条件边判断是否做IG，构建包含IG节点的图。 - 📝 **演示新agent**：展示两个例子，agent根据邮件内容调用IG功能，生成个性化回复。 - 🚀 **未来趋势**：使用Growth LaMDA模型的流程快速，预示AI生成内容的未来可能。 --本消息由@AI视频总结 召唤成功