diff --git a/erniebot-agent/examples/cookbook/FunctionalAgentWithRetrieval_lamma_index.ipynb b/erniebot-agent/examples/cookbook/FunctionalAgentWithRetrieval_llama_index.ipynb similarity index 97% rename from erniebot-agent/examples/cookbook/FunctionalAgentWithRetrieval_lamma_index.ipynb rename to erniebot-agent/examples/cookbook/FunctionalAgentWithRetrieval_llama_index.ipynb index 66e5fe33d..982fa54f4 100644 --- a/erniebot-agent/examples/cookbook/FunctionalAgentWithRetrieval_lamma_index.ipynb +++ b/erniebot-agent/examples/cookbook/FunctionalAgentWithRetrieval_llama_index.ipynb @@ -7,7 +7,7 @@ "source": [ "# 简介\n", "\n", - "这是一款名为‘FunctionalAgentWithRetrieval检索增强小助手’的演示应用,展示了如何结合llama_index的工具和ERNIEBot的functional agent来回答用户的专业知识问题。首先,应用通过构建FaissSearch_llamma在知识库中检索相关内容,然后评估检索内容与问题的相关度。如果内容与问题高度相关,大模型将采用检索增强方式回答问题;否则,大模型将调用工具列表中的工具回答用户的问题。这种设计不仅扩展了大模型的专业领域知识,还保持了其在领域知识之外的通用对话能力\n", + "这是一款名为‘FunctionalAgentWithRetrieval检索增强小助手’的演示应用,展示了如何结合llama_index的工具和ERNIEBot的functional agent来回答用户的专业知识问题。首先,应用通过构建FaissSearch_llama在知识库中检索相关内容,然后评估检索内容与问题的相关度。如果内容与问题高度相关,大模型将采用检索增强方式回答问题;否则,大模型将调用工具列表中的工具回答用户的问题。这种设计不仅扩展了大模型的专业领域知识,还保持了其在领域知识之外的通用对话能力\n", "\n", "构建流程如下:" ] @@ -34,7 +34,7 @@ "+ FaissVectorStore: 提供了一种使用 FAISS 库来存储和检索向量的方法。\n", "+ ServiceContext: 服务上下文容器是 LlamaIndex 的实用程序容器。\n", "\n", - "这里只调用lamma_index的检索功能,os.environ[\"OPENAI_API_KEY\"]可以赋值空字符\n", + "这里只调用llama_index的检索功能,os.environ[\"OPENAI_API_KEY\"]可以赋值空字符\n", "\n", "这里使用EB_AGENT_ACCESS_TOKEN, 申请地址请参考[accessToken](https://aistudio.baidu.com/index/accessToken)" ]