首页 > 其他分享 >5 大场景上手通义灵码企业知识库 RAG

5 大场景上手通义灵码企业知识库 RAG

时间:2024-08-27 18:14:45浏览次数:15  
标签:RAG 通义 代码 知识库 文档 组件 灵码

大家好,我是通义灵码,你的智能编程助手!最近我又升级啦,智能问答功能全面升级至 Qwen2,新版本在各个方面的性能和准确性都得到了显著提升。此外,行间代码补全效果也全面优化,多种编程语言生成性能及准确性大幅提升,如前端、Java、Go、Python、C++ 等。此外,灵码新增代码提交信息(Commit Message)生成,支持 Visual Studio 端。

我还在企业版里还引入了一个超酷的新技能:RAG(Retrieval-Augmented Generation)检索增强生成的能力,今天就跟大家分享下企业知识库能帮开发者做些什么。

可能有些朋友还不太明白这是啥,别急,我来通俗解释一下。想象一下,你有个超级聪明的研发助手,它除了通过大语言模型,记得自己学过海量知识外,还能随时外挂一个更懂你或者企业的“百科全书”知识库。检索增强生成能力能够即时访问、引用深入的知识体系,让我(通义灵码)为你提供更加精准、全面的研发问答和智能编码服务,避免模型幻觉哦~

说完这么多概念,你是不是迫不及待的想试试呢?本期就从通义灵码企业知识库 的问答,带你一起感受下。Let's go。

基于知识库的内容,帮你精准回答问题

新人入职场景

假如你是一位入职新人,我们可以使用通义灵码企业知识库的问答能力,更快速地学习企业编码规范、安全规范、环境准备等。

第一步:需要通义灵码的企业管理员,在通义灵码的知识库管理后台添加相关知识文档。

第二步:在通义灵码插件端的问答面板上,就可以直接提问咨询了。举例来说,在问答输入框,输入:#team docs 这段代码是否符合代码规范,帮我优化

这个时候,通义灵码就给你召回相关文档片段(原文档切块后片段),并针对文档的内容进行总结回答。这快准狠的效率是不是比你肉眼查阅、学习快多了。

基于知识库的内容,帮我精准生成代码

2.1 根据组件库文档生成代码

在软件开发,尤其是前端开发中,我们需要从一个产品需求开始,完成具体的产品界面的实现,这个过程,面临将抽象的需求文档,转化为具体、可用的产品界面的挑战。这个过程,不仅需要深刻理解需求,还要熟练掌握所选技术栈的组件库,同时还要确保开发的速度和代码质量。使用通义灵码企业知识库,可以让这个过程事半功倍。

首先,通过上传关键组件库的帮助文档到通义灵码的知识管理中。然后,在遇到具体需求时,在通义灵码问答区域通过 #team docs 调用企业知识库,快速获得咱们自己技术栈的代码建议和示例,加速开发流程。

下面,我们通过一个例子,如何基于企业知识库,快速实现“显示未读消息计数”的需求:

  1. 理解需求:以“显示未读消息数量”为例,识别关键组件为数字显示单元(可能含图标指示)及数据更新逻辑。
  2. 组件选择:在灵码知识库中,查找适用的组件,如 badge 组件,用于高亮显示未读消息数量,利用 Vue 的数据绑定机制实现数据动态更新。
  3. 代码生成:直接在通义灵码中,以自然语言形式表述需求,如:“创建 Element-UI 的 Badge 组件,展示未读消息数量,并随数据变动实时刷新。”通义灵码将理解这个需求,快速生成代码框架,后续做简单调整,以适应设计细节。

第一步:上传文档到知识库

为了丰富你的智能化开发资源库,请登录通义灵码企业管理后台,在“知识管理”区域下点击“文档”,上传关键的前端组件文档。以《Badge.md [ 1] 》为例,此文档聚焦于使用 React,结合自研组件库开发的右上角圆形数字徽章组件,内容全面,包括详细的使用教程、实战代码示例以及 API 接口说明。

备注:请参考示例文档链接以深入了解查阅示例文档 [ 2]

文档处理与配置:上传完成后,系统将自动处理这些文档,当状态显示为“已完成”,表明你的知识库已经准备就绪,在列表右上角点击 “开启检索增强” 按钮,即可体验。

第二步:智能化实现,需求转代码

当通义灵码企业管理员已经提前在灵码企业知识库,上传好前端组件文档后,我们就可以上手了。你可以在 VSCode、JetBrains IDEs、Visual Studio 这些 IDE 上安装通义灵码插件,如未安装,参考文档 [ 3]

我们再看下需求:“显示未读消息数量”,即为消息图标添上计数徽标。

于是,你可以在通义灵码问答面板提问:#team docs 如何给图标添加数字徽标?

备注:必须使用 #team docs 标签确保调用企业内部知识库资源

提交问题后,通义灵码将迅速根据你的 Badge.md 组件文档,提供精确的代码片段和使用指南,确保代码既符合团队编码规范,又能快速高效实现功能。

以下是通义灵码从文档中提取的一个使用 Badge 组件的例子,它展示了如何在 React 中使用 @teamix/ui 库的 Badge 组件来给图标添加数字徽标:

第三步:如何应对需求变更

如果你还想继续变更需求,通义灵码也能帮忙。如新需求“只需标记未读而不展示具体数字”,我们就继续基于 #team docs 来提问,输入:#team docs 能否将徽标改为小红点而非数字

通义灵码会立即根据你的新需求和已有的知识库内容,提供 API 调用调整的建议及相应的代码示例,确保你能迅速适应需求变动,保持开发的灵活性和效率。

我们来看看通义灵码给的代码建议与示例:

2.2 根据接口文档生成示例代码

程度员在开发程序的过程中,需要调用相应的接口,但苦于找不到帮助文档和示例代码,特别是一些内部的非通用的接口实现。使用通义灵码,可以将知识检索增强生成能力,应用到程序员高频使用的 API 调用场景中。

首先,上传接口文档至企业知识库,如,“OpenAI-对话 Chat.md”文档,包含了接口的调用方式、请求参数、返回参数等。这样,通义灵码就懂得了该文档中描述的知识。

接下来,我们可以在通义灵码问答区输入:#team docs 根据openai对话chat请求和响应体生成对应的go语言示例

这时通义灵码就给你召回相关文档片段(原文档切块后片段)。

根据接口文档,生成示例代码如下:

package main

import (
    "bytes"
    "encoding/json"
    "fmt"
    "io/ioutil"
    "net/http"
)

func main() {
    // OpenAI API endpoint
    apiEndpoint := "https://api.openai.com/v1/chat/completions"

    // API key
    apiKey := "YOUR_API_KEY"

    // Request body
    requestBody := map[string]interface{}{
    "model": "gpt-3.5-turbo",
    "messages": []map[string]interface{}{
    {"role": "user", "content": "Hello!"},
    },
    }

    // Convert request body to JSON
    jsonBody, err := json.Marshal(requestBody)
    if err != nil {
    fmt.Println("Error marshaling request body:", err)
    return
    }

    // Create request
    req, err := http.NewRequest("POST", apiEndpoint, bytes.NewBuffer(jsonBody))
    if err != nil {
    fmt.Println("Error creating request:", err)
    return
    }

    // Set headers
    req.Header.Set("Content-Type", "application/json")
    req.Header.Set("Authorization", "Bearer "+apiKey)

    // Send request
    client := &http.Client{}
    resp, err := client.Do(req)
    if err != nil {
    fmt.Println("Error sending request:", err)
    return
    }
    defer resp.Body.Close()

    // Read response body
    body, err := ioutil.ReadAll(resp.Body)
    if err != nil {
    fmt.Println("Error reading response body:", err)
    return
    }

    // Parse response body
    var response map[string]interface{}
    err = json.Unmarshal(body, &response)
    if err != nil {
    fmt.Println("Error parsing response body:", err)
    return
    }

    // Print response
    fmt.Println("Response:")
    fmt.Println(response)
}

根据文档名和接口名清晰的定义,可以从对话中召回对应信息,并根据模型的推理能力生成不同语言的处理方式,以下为使用知识检索增强前后的对比效果,是不是一目了然。

基于知识库的内容,帮我优化框选代码

3.1 前端老旧工程代码升级场景

前端技术领域发展特别快速,老旧项目的依赖库版本升级,对于维持竞争力也至关重要。当前端团队计划将现有业务代码从 React 15 升级至新版本 16.8 时,通过智能编码工具可以显著加速这一升级过程。以下是通过企业知识库,在通义灵码中,实现老旧工程代码升级的详细步骤。

第一步:构建企业知识库

首先,企业管理者将框架最新版本的编码指南上传至通义灵码企业知识库。比如,这份详尽的表单组件使用说明文档:表单组件文档 [ 4] ,为接下来的组件框架版本的升级提供权威指导和参考依据。

第二步:识别并准备升级目标代码

手头上恰好有一个基于 React 版本 15 的旧项目,这时,你需识别出待升级的代码片段。例如,一个传统的类组件写法如下:

class Demo extends React.Component {
  handleSubmit= (values, errors) => {
    console.log('value & errors', values, errors);
  };

  render() {
    return (
      <Form style={{ width: '60%' }} {...formItemLayout} colon>
      </Form>
  );
}
}

第三步:智能辅助代码转换

在编辑器里选中以上代码片段,并在灵码的问答面板提出问题:#team docs 转换为符合新规范的React函数式组件写法

第四步:自动完成代码升级

通义灵码将运用其智能算法,基于 React 的新版函数式编程范式,自动将旧代码重构成更简洁的函数组件。这一过程不仅显著缩短了手动重构的时间,还确保了代码风格与团队最新编码标准的一致性,提升了代码质量和执行效率。

通过企业知识库检索增强,老旧工程代码的升级过程变得高效且精确,前端团队得以以最小的投入,实现项目从旧框架到新框架的平稳迁移。这样的升级策略确保了代码能够紧跟技术发展趋势,持续保持项目的行业竞争力和技术前沿地位。

3.2 代码规范场景

代码编写好了,如果需要确定是否符合企业或业内编码规范,这时候你就可以上传企业编程规范,例如:

参考资料:https://juejin.cn/post/7157594175846744071

框选同样的代码内容,有检索增强,模型则会以知识库召回的数据作为上下文,进行辅助生成。效率和质量也是立竿见影。

无检索增强效果

有检索增强效果

如何开通和使用通义灵码企业知识检索增强?

首先,你必须是通义灵码企业版的用户,现在通义灵码企业标准版有 30 天的免费试用,立即开通和试用 [ 5]

其次,你需要是企业版组织的管理员,即可开通企业知识库管理了,立即开通 [ 6]

最后,开通好后,立即邀请开发者们,在问答区域唤起 #team docs 吧。

相关链接:

[1] Badge.md

https://gitee.com/tongyilingma/ui-components-wiki/blob/master/basic/badge.md

[2] 查阅示例文档

https://gitee.com/tongyilingma/ui-components-wiki/blob/master/basic/badge.md

[3] 参考文档

https://tongyi.aliyun.com/lingma/download

[4] 表单组件文档

https://gitee.com/tongyilingma/ui-components-wiki/blob/master/basic/form.md

[5] 立即开通和试用

https://help.aliyun.com/document_detail/2678297.html?spm=a2c4g.2674160.0.i0

[6] 立即开通

https://help.aliyun.com/document_detail/2796751.html

点击此处,体验通义灵码新能力。

标签:RAG,通义,代码,知识库,文档,组件,灵码
From: https://www.cnblogs.com/yyds114/p/18383285

相关文章

  • 探索 graphrag-local-ollama:项目优势及实战应用
    目录引言一、项目背景与意义二、项目核心特性与优势三、详细的安装与使用步骤1.环境准备2.安装ollama3.下载所需模型4.克隆项目并安装依赖5.数据准备与初始化6.配置与构建索引7.执行查询四、项目的应用场景与未来展望结语引言在当今科技飞速发展的时代,人工......
  • 【文档智能 & RAG】浅看开源的同质化的文档解析框架-Docling
    前言RAG的兴起,越来越多的人开始关注文档结构化解析的效果,这个赛道变得非常的同质化。关于文档智能解析过程中的每个技术环节的技术点,前期文章详细介绍了很多内容:下面我们简单的看看Docling这个PDF文档解析框架里面都有什么技术。方法布局分析模型首先,Docling使用一......
  • 网站提示507 Insufficient Storage:服务器无法存储完成请求所需的内容怎么办
    当遇到“507InsufficientStorage”错误时,这意味着服务器无法存储完成请求所需的内容,通常是由于磁盘空间不足或资源限制。这种错误通常出现在服务器端,特别是在存储资源有限的环境中。解决方案检查服务器磁盘空间如果你是服务器管理员,检查服务器的磁盘空间。确认是否有足够......
  • 第八期 RAG检索增强生成
    一:RAGvsFine-tuning(一)Fine-tuning(微调)是用一定量的数据集对LLM进行局部参数的调整,以期望LLM更加理解我们的业务逻辑,有更好的zero-shot能力。(二)RAG(检索增强生成)是把企业内部的文档数据先进行embedding,借助检索先获得大致的知识范围答案,再结合prompt给到LLM,让LLM生成最终的答......
  • Storage:Keeping memories in the brain(存储:把记忆保存在大脑中)
    Onceyou’veencodedinformation,younowneedtostoreit.Unfortunately,forgettingisamajorpartofhowourbrainswork.Mostofuscan’trememberwhatwehadfordinnerTuesday,threeweeksago.However,wecanallrememberourfirstkiss.一旦完成......
  • 浦语Camp3:基础4-Llamaindex RAG实践
    基础任务任务要求:基于LlamaIndex构建自己的RAG知识库,寻找一个问题A在使用LlamaIndex之前InternLM2-Chat-1.8B模型不会回答,借助LlamaIndex后InternLM2-Chat-1.8B模型具备回答A的能力,截图保存。需要A10030%内存!!!安装环境:condacreate-nllamaindexpython=3.1......
  • RAG
    RAG,全称为“Retrieval-AugmentedGeneration”,是一种结合信息检索和生成式模型的方法。它主要用于提高生成式模型(如GPT、BERT等)的准确性和实用性,特别是在需要从大规模知识库或文档中提取相关信息的任务中。RAG的工作原理:信息检索(Retrieval):首先,从一个预定义的知识库或文档集合......
  • OpenCV(cv::FileStorage())
    目录1.功能2.方法和用法3.示例3.1写入数据3.2读取数据4.常见数据格式5.注意事项6.总结cv::FileStorage()是OpenCV提供的一个用于读写文件的类,主要用于读取和写入结构化数据(如XML、YAML或JSON文件)。它是用于在文件和内存之间存储和检索复杂数据结构的工具,例如矩......
  • vue3实现拖拽效果 (vuedraggable)
    效果图使用vuedraggable实现拖拽真的是特别丝滑和简单!!下载这里是vue3版本的对应vuedraggable版本4.1.0不要下错了!!!npminstallvuedraggable@4pnpmaddvuedraggable@4官网https://github.com/SortableJS/Vue.Draggable中文网https://www.itxst.com/vue-dragg......
  • 【LLM & RAG & text2sql】大模型在知识图谱问答上的核心算法详细思路及实践
    前言本文介绍了一个融合RAG(Retrieval-AugmentedGeneration)思路的KBQA(Knowledge-BasedQuestionAnswering)系统的核心算法及实现步骤。KBQA系统的目标是通过自然语言处理技术,从知识图谱中提取和生成精确的答案。系统的实现包括多个关键步骤:mention识别、实体链接及排序、属......