Summarization Chain-Knoten#
Verwenden Sie den Summarization Chain-Knoten, um mehrere Dokumente zusammenzufassen.
Auf dieser Seite finden Sie die Knotenparameter für den Summarization Chain-Knoten sowie Links zu weiteren Ressourcen.
Knotenparameter#
Wählen Sie die Art der Daten aus, die Sie zusammenfassen möchten, unter Zu zusammenfassende Daten. Der von Ihnen gewählte Datentyp bestimmt die anderen Knotenparameter.
- Knoteneingabe verwenden (JSON) und Knoteneingabe verwenden (Binär): Fassen Sie die Daten zusammen, die über den Workflow in den Knoten gelangen.
- Sie können die Chunking-Strategie konfigurieren: Wählen Sie die Strategie aus, die zum Definieren der Datengrößen verwendet werden soll.
- Wenn Sie Einfach (unten definieren) wählen, können Sie Zeichen pro Chunk und Chunk-Überlappung (Zeichen) festlegen.
- Wählen Sie Erweitert, wenn Sie einen Splitter-Subknoten anschließen möchten, der weitere Konfigurationsoptionen bietet.
- Sie können die Chunking-Strategie konfigurieren: Wählen Sie die Strategie aus, die zum Definieren der Datengrößen verwendet werden soll.
- Dokumenten-Loader verwenden: Fassen Sie Daten zusammen, die von einem Dokumenten-Loader-Subknoten bereitgestellt werden.
Knotenoptionen#
Sie können die Zusammenfassungsmethode und die Prompts konfigurieren. Wählen Sie Option hinzufügen > Zusammenfassungsmethode und Prompts.
Optionen unter Zusammenfassungsmethode:
- Map Reduce: Dies ist die empfohlene Option. Erfahren Sie mehr über Map Reduce in der LangChain-Dokumentation.
- Refine: Erfahren Sie mehr über Refine in der LangChain-Dokumentation.
- Stuff: Erfahren Sie mehr über Stuff in der LangChain-Dokumentation.
Sie können die Individuellen Zusammenfassungs-Prompts und den Finalen Prompt zum Kombinieren anpassen. Es gibt Beispiele im Knoten. Sie müssen den Platzhalter "{text}" einfügen.
Zugehörige Ressourcen#
Weitere Informationen zum Dienst finden Sie in der LangChain-Dokumentation zur Zusammenfassung.
View Localmind Automate's Advanced AI documentation.
AI glossary#
- completion: Completions are the responses generated by a model like GPT.
- hallucinations: Hallucination in AI is when an LLM (large language model) mistakenly perceives patterns or objects that don't exist.
- vector database: A vector database stores mathematical representations of information. Use with embeddings and retrievers to create a database that your AI can access when answering questions.
- vector store: A vector store, or vector database, stores mathematical representations of information. Use with embeddings and retrievers to create a database that your AI can access when answering questions.