微信扫码
与创始人交个朋友
我要投稿
大模型时代,AI导购能干吗,想想其实是适合!一起来Get个简单版!
看效果
如上是简易乃至MVP版AI导购,也能起效用!
话原理
原理就就很简单,提供了大模型的对话,对话内容再去识别和总结,结合用户的偏好(简单版),组成prompt去从向量数据库中检索,这里涉及向量的相似度,检索出文本层面最相似的2个商品!
这里值得说的是向量数据库,我们存入的是chromadb的文本,他会自动识别编码为向量,再我们再去通过文本检索时,也是先转换为向量,计算相似度检索出来的!
这里涉及一个技术,就是文本嵌入,通过文本嵌入文本转换为向量表示!文本嵌入是一种将文本转换为连续向量空间中的点的技术,使得具有相似含义的文本在向量空间中更接近!
最常见就是Word2Vec,思想是通过了训练一个神经网络模单词型,使得在文本中共同出现的单词在向量空间中距离更近,而不常共现的单词距离更远!包含:连续词袋(给定上下文预测)和跳字模型(给定单词,预测上下文)!这样训练完后,,"king"向量减去"man"向量再加上"woman"向量可能会接近"queen"向量!
来实践
1、意图识别prompt
You are an e-commerce salesperson, and your task is to combine the user's chat with their previous purchase preferences, such as preference for red, and output information about the user's intention to purchase goods, such as ['sneakers', 'red']. Be careful not to output other irrelevant information, and remember that you only need to return similar product information, such as ['sneakers', 'red']. Their chat is: Hello A; System: May I help you? A: I want to buy a pair of casual shoes. User A's previous purchase preferences were: Color: Red; Price: 150-200;
2、安装chromadb
Pipe install chromadb
3、vim xxx.py
import chromadb# 设置Chroma内存,方便快速原型设计。可以轻松添加持久性!client = chromadb.Client()# 创建集合。还可以使用get_collection、get_or_create_collection、delete_collection等方法!collection = client.create_collection("all-my-products")# 商品信息products = [{"id": "000001",# 商品1的唯一标识符"title": "经典运动跑鞋","category": "运动鞋","price": 199.99,"description": "这是一双经典的运动跑鞋,适合户外运动和日常穿着。鞋面采用透气网布材料,轻盈舒适;中底采用缓震科技,提供稳定的支撑和舒适的脚感;外底采用耐磨橡胶,提供优越的抓地力。颜色:黑色/白色。","stock": 120,"sales": 35,"views": 550},{"id": "000002","title": "潮流运动篮球鞋","category": "篮球鞋","price": 299.99,"description": "这是一双时尚潮流的篮球鞋,适合篮球爱好者和潮流达人。鞋面采用PU皮革材料,坚固耐磨;中底采用气垫缓震技术,提供出色的支撑和缓震效果;外底采用耐磨橡胶,提供优秀的抓地力和耐磨性。颜色:红色/黑色。","stock": 80,"sales": 20,"views": 350},{"id": "000003","title": "休闲复古帆布鞋","category": "休闲鞋","price": 89.99,"description": "这是一双时尚休闲的帆布鞋,适合日常休闲穿着和出行。鞋面采用优质帆布材料,轻便透气;鞋底采用耐磨橡胶,提供良好的耐磨性和抓地力。颜色:蓝色/白色。","stock": 150,"sales": 45,"views": 700},{"id": "000004","title": "时尚百搭运动鞋","category": "休闲鞋","price": 149.99,"description": "这是一双时尚百搭的运动鞋,适合多种场合穿着。鞋面采用PU皮革材料,时尚耐磨;中底采用轻质EVA材料,提供舒适的缓震效果;外底采用耐磨橡胶,提供良好的抓地力。颜色:灰色/黑色。","stock": 100,"sales": 25,"views": 450},{"id": "000005","title": "运动户外登山鞋","category": "登山鞋","price": 399.99,"description": "这是一双专业的户外登山鞋,适合登山爱好者和野外探险者。鞋面采用防水透气皮革材料,具有优异的防水透气性;鞋底采用抗扭强度强的橡胶,提供稳定支撑和抓地力。颜色:棕色/绿色。","stock": 90,"sales": 30,"views": 600},{"id": "000006","title": "运动时尚休闲鞋","category": "休闲鞋","price": 129.99,"description": "这是一双时尚休闲的运动鞋,适合日常穿着和运动时穿着。鞋面采用透气网布材料,舒适透气;中底采用轻质EVA材料,提供良好的缓震效果;外底采用耐磨橡胶,提供良好的抓地力。颜色:灰色/白色。","stock": 130,"sales": 40,"views": 800},{"id": "000007","title": "时尚潮流滑板鞋","category": "休闲鞋","price": 179.99,"description": "这是一双时尚潮流的滑板鞋,适合滑板爱好者和潮流青年。鞋面采用PU皮革材料,时尚耐磨;鞋底采用耐磨橡胶,提供良好的抓地力和耐磨性。颜色:黑色/金色。","stock": 110,"sales": 15,"views": 400},]# 向集合添加商品信息for product in products:# 将商品信息转换为字符串类型document = f"{product['title']} {product['category']} {product['description']}"collection.add(documents=document,ids=product["id"]# 提取商品的唯一标识符)# 查询/搜索2个最相似的结果。您也可以通过ID获取。results = collection.query(query_texts=["红色,休闲鞋"],n_results=2,# where={"metadata_field": "is_equal_to_this"},# 可选筛选条件# where_document={"$contains":"search_string"}# 可选筛选条件)print(results)
写在最后
如上的MVP能优化做深的地方太多了,也挺有意思的!
最近在写family计划,感觉是个正确的事,会发生什么回头看,我想会更好的,加油!加油!
Cambrian Explosion 寒武纪
geologic地质学
eukaryotic life-forms 真核生物的形式
true nuclei 真核
multicellular 多细胞的
Paleontologists 古生物学者
Ediacara fossil formation 艾迪卡拉纪化石形成
dates to Precambrian times 可追溯
Tommotian formation
Burgess Shale 页岩
Yoho National Park yoho
Canadian Rocky Mountains of British Columbia加拿大不列颠哥伦比亚省落基山脉
be assigned to被分配到
Sidneyia
arthropods节肢动物
insects, spiders, mite(螨虫), and crabs(螃蟹)
ecological niches生态位
53AI,企业落地应用大模型首选服务商
产品:大模型应用平台+智能体定制开发+落地咨询服务
承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业
2024-11-14
关于工作流Chatbot产品的设计思考
2024-11-13
MeetingMind:打造智能会议体验,AI如何简化记录与提升决策
2024-11-11
基于RAGFlow实践Agent——构建智能客服
2024-11-08
用AI做Excel下拉列表,说人话自动生成步骤,太爽了!
2024-11-08
第一批被AI气到崩溃的人出现了
2024-11-08
智能问答系统流程详解:多轮对话与模型训练的技术要点及案例
2024-11-04
利用AI大模型打造客服机器人,传统智能客服可以靠边站了
2024-11-04
浅谈人工智能之基于ollama本地大模型结合本地知识库搭建智能客服
2024-05-08
2024-07-22
2024-07-14
2024-06-30
2024-07-11
2024-03-31
2024-11-08
2024-07-14
2024-08-09
2024-04-01
2024-11-04
2024-10-18
2024-09-27
2024-09-26
2024-09-21
2024-09-17
2024-09-06
2024-09-02