怎么看得出网站是哪个公司做的wordpress调用首页标签

怎么看得出网站是哪个公司做的,wordpress调用首页标签,网站开发的权限设置,湖北建设厅考试网站本文介绍了如何结合DeepSeek-V3.2和Docling搭建Agentic RAG工作流#xff0c;实现检索-研究-验证智能体闭环。DeepSeek-V3.2通过稀疏注意力技术高效处理长文本#xff0c;Docling将文档转化为结构化Markdown。该系统具备自纠错能力#xff0c;有效减少模型幻觉实现检索-研究-验证智能体闭环。DeepSeek-V3.2通过稀疏注意力技术高效处理长文本Docling将文档转化为结构化Markdown。该系统具备自纠错能力有效减少模型幻觉只需少量代码即可实现高质量文档问答为开发者提供了一种高效、准确的文档处理解决方案。DeepSeek-V3.2 的发布为复杂推理任务提供了极佳的开源选择其长文本处理能力也让深度文档解析变得更高效。而在 RAG检索增强生成实践中如何精准提取 PDF 结构依然是关键。IBM 的开源工具 Docling 改变了传统 OCR 简单提取字符串的方式通过视觉语义分析将文档转化为结构化的 Markdown。本文将分享如何将两者结合搭建一套极简的 Agentic RAG 工作流。不同于传统的单向检索该系统通过“检索-研究-验证”的智能体闭环实现了具备自纠错能力的文档问答能以极低的代码成本有效减少模型幻觉。1、DeepSeek-V3.2 的独特之处是什么大多数强大的 AI 模型都面临一个共同问题随着文件长度的增加模型的执行速度会显著下降而成本则会急剧上升。这是因为传统模型会尝试将每个词与其他所有词进行比较以理解上下文。DeepSeek-V3.2 通过引入一种名为 DeepSeek 稀疏注意力DeepSeek Sparse AttentionDSA的新方法来解决这个问题。可以将其想象成一位研究人员在图书馆进行研究•传统方法密集注意力研究人员为了回答一个问题需要逐页阅读书架上的每一本书。虽然这种方法很全面但速度极慢而且需要耗费大量精力。•新方法DeepSeek-V3.2研究人员使用数字索引Lightning Indexer快速找到关键页面然后只阅读这些页面。这种方法同样准确但速度却快得多。2、Docling 的独特之处是什么Docling 之所以能从现有工具中脱颖而出最大的原因在于其设计理念基于与生成式人工智能特别是检索增强生成RAG的协作。现代人工智能应用需要的不仅仅是提取文本。为了让人工智能深入理解文档内容并生成准确的答案需要了解文档的语义包括• 这句话是论文的摘要还是结论• 这串数字不仅仅是文本而是一个表格那么每个单元格代表什么• 这张图片的标题是什么PyMuPDF 和 Tesseract 将文本提取为字符串而 Docling 则利用视觉-语言模型VLM的强大功能来分析这些结构和关系并将其输出为包含丰富信息的DoclingDocument对象。这些结构化数据是显著提升 RAG 检索和答案生成质量的关键。3、配置环境首先安装支持该模型的库执行pip install requirements命令。pip install requirements下一步是常规操作导入相关的库其重要性将在后续步骤中逐渐显现。•DocumentConverter一个高级 Python 类用于将文档转换为结构化的DoclingDocument格式。•EnsembleRetriever一个集成检索器它使用加权倒数排序融合weighted reciprocal rank fusion来聚合和排序多个检索器的结果。4、DocLing以下代码创建了一个VerificationAgent类用于根据源文档对 AI 生成的答案进行事实核查。在__init__函数中实例化了一个温度为零用于确定性输出的 DeepSeek-V3.2 模型并构建了一个提示模板。这个模板要求 LLM 从四个特定方面验证答案声明是否得到直接支持、哪些内容不被支持、哪些内容相互矛盾以及它是否相关并强制使用结构化响应格式以确保解析的一致性。在check()函数中接收答案字符串和一个Document对象列表提取并连接所有文档文本到一个上下文字符串中然后创建一个 LangChain 管道提示 → LLM → 字符串解析器并使用答案和上下文调用该管道以获取验证报告。记录报告和上下文以进行调试如果有任何错误发生则重新抛出。最后返回一个包含验证报告文本和使用的上下文字符串的字典——这样做的目的是通过检查 RAG 系统生成的答案是否确实得到源文档的支持来捕获幻觉hallucinations。import osimport hashlibimport picklefrom datetime import datetime, timedeltafrom pathlib import Pathfrom typing importListfrom docling.document_converter import DocumentConverterfrom langchain_text_splitters import MarkdownHeaderTextSplitterfrom config import constantsfrom config.settings import settingsfrom utils.logging import loggerclassDocumentProcessor:def__init__(self):self.headers [(#, Header 1), (##, Header 2)]self.cache_dir Path(settings.CACHE_DIR)self.cache_dir.mkdir(parentsTrue, exist_okTrue)defvalidate_files(self, files: List) - None:验证上传文件的总大小。 total_size sum(os.path.getsize(f.name) for f in files)if total_size constants.MAX_TOTAL_SIZE:raise ValueError(f总大小超过 {constants.MAX_TOTAL_SIZE//1024//1024}MB 限制)defprocess(self, files: List) - List:处理文件并进行缓存以便后续查询使用。self.validate_files(files) all_chunks [] seen_hashes set()for file in files:try:# 为缓存生成基于内容的哈希值withopen(file.name, rb) as f: file_hash self._generate_hash(f.read()) cache_path self.cache_dir / f{file_hash}.pklifself._is_cache_valid(cache_path): logger.info(f从缓存加载{file.name}) chunks self._load_from_cache(cache_path)else: logger.info(f处理并缓存{file.name}) chunks self._process_file(file)self._save_to_cache(chunks, cache_path)# 跨文件进行块去重for chunk in chunks: chunk_hash self._generate_hash(chunk.page_content.encode())if chunk_hash notin seen_hashes: all_chunks.append(chunk) seen_hashes.add(chunk_hash)except Exception as e: logger.error(f处理文件 {file.name} 失败{str(e)})continue logger.info(f总计唯一块数{len(all_chunks)})return all_chunksdef_process_file(self, file) - List:使用 Docling 进行原始处理逻辑。ifnot file.name.endswith((.pdf, .docx, .txt, .md)): logger.warning(f跳过不支持的文件类型{file.name})return [] converter DocumentConverter() markdown converter.convert(file.name).document.export_to_markdown() splitter MarkdownHeaderTextSplitter(self.headers)return splitter.split_text(markdown)def_generate_hash(self, content: bytes) - str:生成内容的 SHA256 哈希值。return hashlib.sha256(content).hexdigest()def_save_to_cache(self, chunks: List, cache_path: Path):将处理过的块保存到缓存文件。withopen(cache_path, wb) as f: pickle.dump({timestamp: datetime.now().timestamp(),chunks: chunks }, f)def_load_from_cache(self, cache_path: Path) - List:从缓存文件加载块。withopen(cache_path, rb) as f: data pickle.load(f)return data[chunks]def_is_cache_valid(self, cache_path: Path) - bool:检查缓存文件是否有效未过期。ifnot cache_path.exists():returnFalse cache_age datetime.now() - datetime.fromtimestamp(cache_path.stat().st_mtime)return cache_age timedelta(dayssettings.CACHE_EXPIRE_DAYS)5、RelevanceChecker以下代码创建了一个RelevanceChecker类通过将检索到的文档分类为三个类别来确定它们是否可以回答用户的问题。在__init__方法中使用 API 密钥初始化了一个 DeepSeek-V3.2 模型并创建了一个提示模板。该模板指示大型语言模型LLM将段落分类为CAN_ANSWER完全回答、“PARTIAL”提及主题但不完整或NO_MATCH完全未讨论该主题并强调任何主题提及都应归类为PARTIAL而不是NO_MATCH。通过提示 - LLM - 字符串解析器的管道连接构建了一个 LangChain 链。在check()方法中接收一个问题、一个检索器对象和一个参数k默认为 3用于指定要分析的前k个文档的数量。使用问题调用检索器以获取相关的文本块如果没有返回任何内容则立即返回NO_MATCH。为了便于查看打印调试信息显示文档计数以及前k个文本块的 200 字符预览。将前k个文档的文本合并成一个字符串字符串之间用双换行符分隔然后使用问题和合并后的内容调用 LLM 链并获取一个分类字符串。通过将响应转换为大写并检查是否符合有效选项来验证响应是否为三个有效标签之一如果 LLM 返回了意外结果则强制返回NO_MATCH。最后返回经过验证的分类结果从而清楚地了解检索器是否找到了可用的文档或者是否需要回退到其他方法例如网络搜索。# agents/relevance_checker.pyfrom langchain_openai import ChatOpenAIfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_core.output_parsers import StrOutputParserfrom langchain_deepseek import ChatDeepSeekfrom config.settings import settingsclassRelevanceChecker:def__init__(self):# self.llm ChatOpenAI(api_keysettings.OPENAI_API_KEY, modelgpt-4o)self.llm ChatDeepSeek(api_keysettings.DEEPSEEK_API_KEY, modeldeepseek-chat)self.prompt ChatPromptTemplate.from_template(给定一个用户问题和一些来自上传文档的段落。 请评估这些段落回答用户问题的程度。 请**准确选择**以下回答中的一个**只**返回该标签 1) CAN_ANSWER:这些段落包含足够明确的信息来完整回答问题。 2) PARTIAL: 这些段落提及或讨论了问题的主题例如相关年份、设施名称 但没有提供回答问题所需的所有数据或细节。 3) NO_MATCH: 这些段落完全没有讨论或提及问题的主题。 重要提示如果段落以**任何方式**提及或引用了问题的主题或时间范围 即使信息不完整也应返回 PARTIAL而不是 NO_MATCH。 问题: {question} 段落: {document_content} 请**只**返回 CAN_ANSWER, PARTIAL, 或 NO_MATCH。 )self.chain self.prompt | self.llm | StrOutputParser()defcheck(self, question: str, retriever, k3) - str: 1. 从全局检索器中检索 top-k 文档块。 2. 将它们组合成一个单独的文本字符串。 3. 将该文本 问题传递给 LLM 链进行分类。 返回: CAN_ANSWER 或PARTIAL 或 NO_MATCH。 print(f[DEBUG] RelevanceChecker.check 被调用问题{question}k{k})# 从检索器中检索文档块 top_docs retriever.invoke(question)[:k] # 只使用前 k 个文档ifnot top_docs:print([DEBUG] 检索器.invoke() 未返回任何文档。分类为 NO_MATCH。)returnNO_MATCHprint(f[DEBUG] 检索器返回了 {len(top_docs)} 个文档。)# 快速显示每个块的片段以进行调试for i, doc inenumerate(top_docs): snippet doc.page_content[:200].replace(\n, \\n)print(f[DEBUG] 块 #{i1}预览前 200 个字符{snippet}...)# 将前 k 个块的文本合并成一个字符串 document_content \n\n.join(doc.page_content for doc in top_docs)print(f[DEBUG] 前 {k} 个块的组合文本长度{len(document_content)} 字符。)# 调用 LLM response self.chain.invoke({question: question,document_content: document_content }).strip()print(f[DEBUG] LLM原始分类响应{response})# 转换为大写检查是否是有效标签之一 classification response.upper() valid_labels {CAN_ANSWER, PARTIAL, NO_MATCH}if classification notin valid_labels:print([DEBUG] LLM 未返回有效标签。强制设为 NO_MATCH。) classification NO_MATCHelse:print(f[DEBUG] 分类被识别为 {classification}。)return classification6、ResearchAgent以下代码创建了一个名为ResearchAgent的类使用检索到的文档作为上下文来生成问题的答案。代码创建了一个提示模板要求 LLM 根据提供的上下文回答问题做到准确且基于事实并指示 LLM 在上下文不足时明确表示我无法根据提供的文档回答此问题。在generate()方法中接收一个问题字符串和一个Document对象列表然后提取所有文档文本并使用双换行符作为分隔符将其连接成一个上下文字符串。使用问题和上下文调用该链将其替换到模板中向 DeepSeek 发送请求并将生成的答案作为字符串返回。此过程被包装在try-except语句中以便记录答案和完整的上下文进行调试并重新引发任何发生的异常。最后返回一个包含草稿答案和所用上下文的字典从而同时获得生成的响应和用于创建它的源材料的可追溯性。from langchain_openai import ChatOpenAIfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_core.output_parsers import StrOutputParserfrom typing importDict, Listfrom langchain_core.documents import Documentfrom langchain_deepseek import ChatDeepSeekimport loggingfrom config.settings import settingslogger logging.getLogger(__name__)classResearchAgent:def__init__(self):用 OpenAI 模型初始化研究智能体。# self.llm ChatOpenAI(# modelgpt-4-turbo,# temperature0.3,# api_keysettings.OPENAI_API_KEY # 在这里传递 API 密钥# )self.llm ChatDeepSeek( modeldeepseek-chat, temperature0.3, api_keysettings.DEEPSEEK_API_KEY # 在这里传递 API 密钥 )self.prompt ChatPromptTemplate.from_template(根据提供的上下文回答以下问题。请精确且基于事实。 问题: {question} 上下文: {context} 如果上下文不足请回答: 我无法根据提供的文档回答此问题。 )defgenerate(self, question: str, documents: List[Document]) - Dict:使用提供的文档生成初步答案。 context \n\n.join([doc.page_content for doc in documents]) chain self.prompt | self.llm | StrOutputParser()try: answer chain.invoke({question: question,context: context }) logger.info(f生成的答案: {answer}) logger.info(f使用的上下文: {context})except Exception as e: logger.error(f生成答案时出错: {e})raisereturn {draft_answer: answer,context_used: context }7、验证智能体以下代码创建了一个VerificationAgent类用于对 AI 生成的答案进行事实核查以识别虚假信息。在__init__方法中初始化了一个温度为 0表示完全确定性的 DeepSeek-V3.2 模型创建了一个提示模板指示 LLM 使用结构化的响应格式验证四个方面直接事实支持、未经证实的说法、矛盾和相关性然后构建了一个 LangChain 链。在check()函数中接收一个响应字符串和一个Document对象列表将所有文档文本用双换行符连接成一个上下文字符串然后使用响应字符串和上下文字符串调用链式调用以获取验证报告。在try-except块中记录报告和上下文字符串以进行调试最后返回一个包含验证报告和上下文字符串的字典用于溯源。from langchain_openai import ChatOpenAIfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_core.output_parsers import StrOutputParserfrom typing importDict, Listfrom langchain_core.documents import Documentfrom langchain_deepseek import ChatDeepSeekimport loggingfrom config.settings import settingslogger logging.getLogger(__name__)classVerificationAgent:def__init__(self):# self.llm ChatOpenAI(# modelgpt-4-turbo,# temperature0,# api_keysettings.OPENAI_API_KEY # 在这里传递 API 密钥# )self.llm ChatDeepSeek( modeldeepseek-chat, temperature0, api_keysettings.DEEPSEEK_API_KEY # 在这里传递 API 密钥 )self.prompt ChatPromptTemplate.from_template(根据提供的上下文验证以下答案。检查以下各项 1. 直接事实支持 (是/否) 2. 未经支持的主张 (列出) 3. 矛盾之处 (列出) 4. 与问题的相关性 (是/否) 请按以下格式回应 支持: 是/否 未经支持的主张: [项目] 矛盾之处: [项目] 相关性: 是/否 答案: {answer} 上下文: {context} )defcheck(self, answer: str, documents: List[Document]) - Dict:根据提供的文档验证答案。 context \n\n.join([doc.page_content for doc in documents]) chain self.prompt | self.llm | StrOutputParser()try: verification chain.invoke({answer: answer,context: context }) logger.info(f验证报告: {verification}) logger.info(f使用的上下文: {context})except Exception as e: logger.error(f验证答案时出错: {e})raisereturn {verification_report: verification,context_used: context }如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2025 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取