【Angular】Angular：2023年最佳实践
Angular开发以其健壮性、可扩展性和性能而闻名，因此在web开发公司和开发人员中很受欢迎。因此，在Angular开发中采用最佳实践可以带来一致性、代码可读性、性能、可维护性和可扩展性。
它可以帮助团队成员更有效地合作，减少出现错误的机会，并确保代码库能够支持不断发展的需求。本文的目标是列出Angular开发人员应该遵循的最佳实践，以确保他们的应用程序获得高水平的接受和成功。
Angular CLI的定期使用
Angular CLI是一个非常强大的工具。强烈建议您安装并尽可能多地使用它。使用预定义的命令，而不是手工完成所有操作，非常节省时间。列出一些常用的命令
ChatGPT
- 阅读更多 关于 ChatGPT
- 登录 发表评论
【ChatGPT】使用ChatGPT汇总数据
熟悉data.world的人都知道，该公司的使命是建立世界上最有意义、最协作、最丰富的数据资源。data.world完成这项任务的一种方法是提供一个社区数据门户，当你创建一个免费帐户并登录data.worlds时，你会看到这个门户。目前，社区网站上有超过15万个开放数据资源，包括美国人口普查局、美国国家航空航天局和data.gov.uk等来源。
我在另一篇博客中概述了你如何成为这个数据资源的策展人之一。如果你尝试过，你就会知道，要想真正让别人使用你的数据，你需要的不仅仅是将电子表格上传到data.world这样的托管和查询服务，让你的数据公平，但这只是一个开始。你需要做的事情之一是描述你的数据，也许为它制作一个数据字典，甚至可能向数据的潜在用户做广告。
到目前为止，ChatGPT能够在所有这些任务中提供帮助并不奇怪。作为一个例子，我使用ChatGPT提供了先正达提供的数据摘要，以跟踪其良好增长计划的进展。
先正达是一家国际农药公司。他们的业务是提供化学品和专业知识，帮助世界各地的农民生产粮食。早在2014年左右，先正达就推出了“良好增长计划”，这一系列承诺不仅旨在通过销售化学品赚钱，还旨在提高世界各地粮食生产的效率和可持续性。
【LLM】LangChain 资料大全
【LLM】LangChian自动评估（ Auto-Evaluator ）机会
编者按：这是兰斯·马丁的一篇客座博客文章。
TL;DR
我们最近开源了一个自动评估工具，用于对LLM问答链进行评分。我们现在发布了一个开源、免费的托管应用程序和API，以扩展可用性。下面我们将讨论一些进一步改进的机会。
上下文
文档问答是一个流行的LLM用例。LangChain可以轻松地将LLM组件（例如，模型和检索器）组装成支持问答的链：输入文档被分割成块并存储在检索器中，在给定用户问题的情况下检索相关块并传递给LLM以合成答案。
问题
质量保证系统的质量可能有很大差异；我们已经看到由于特定的参数设置而产生幻觉和回答质量差的情况。但是，（1）评估答案质量和（2）使用此评估来指导改进的QA链设置（例如，块大小、检索到的文档数）或组件（例如，模型或检索器选择）并不总是显而易见的。
【LangChain 】LangChain 计划和执行代理
TL；DR：我们正在引入一种新型的代理执行器，我们称之为“计划和执行”。这是为了与我们以前支持的代理类型形成对比，我们称之为“Action”代理。计划和执行代理在很大程度上受到了BabyAGI和最近的计划和解决论文的启发。我们认为Plan and Execute非常适合更复杂的长期规划，但代价是需要调用更多的语言模型。我们正在将其初始版本放入实验模块，因为我们预计会有快速的变化。
链接：
到目前为止，LangChain中的所有代理都遵循ReAct文件开创的框架。让我们称之为“行动特工”。这些算法可以大致用以下伪代码表示：
【LLM】LangChain 的Callbacks 改进
TL；DR：我们宣布对我们的回调系统进行改进，该系统支持日志记录、跟踪、流输出和一些很棒的第三方集成。这将更好地支持具有独立回调的并发运行，跟踪深度嵌套的LangChain组件树，以及范围为单个请求的回调处理程序（这对于在服务器上部署LangChain非常有用）。
【LLM】利用并行LLM Agent Actor Trees释放AI协作的力量
编者按：以下是赛勒斯在 Shaman AI的客座博客文章。我们使用客座博客文章来突出有趣和新颖的应用程序，当然是这样。最近有很多关于经纪人的讨论，但大多数都是围绕一个经纪人展开的。如果涉及多个代理，则会依次调用它们。这部作品很新颖，因为它突破了这一界限，探索了多个平行行动的代理。
重要链接：
介绍
近年来，人工智能领域取得了重大进展，人工智能代理现在能够处理复杂的任务。尽管取得了这些进展，但有效地并行和协调多个人工智能代理协同工作仍然是一个挑战。引入Agent Actors-这是一个突破性的解决方案，使开发人员能够创建和管理人工智能代理树，这些代理使用Actor并发模型在复杂任务上进行协作。
在这篇博客文章中，我们将探讨并发的参与者模型、代理参与者的关键功能、它所带来的可能性，以及如何开始构建自己的代理树。我们希望激励LLM社区尝试新的自引用LLM架构。
【LLM】LangChain整合Gradio和LLM代理
编者按：这是Gradio的软件工程师Freddy Boulton的一篇客座博客文章。我们很高兴能分享这篇文章，因为它为生态系统带来了大量令人兴奋的新工具。代理在很大程度上是由他们所拥有的工具定义的，所以能够为他们配备所有这些gradio_tools对我们来说是非常令人兴奋的！
重要链接：
大型语言模型（LLM）给人留下了深刻的印象，但如果我们能赋予它们完成专门任务的技能，它们可以变得更加强大。
【LLM】RecAlign-社交媒体订阅源的智能内容过滤器
【编者按】这是田进的客串文章。我们强调这个应用程序，因为我们认为它是一个新颖的用例。具体而言，我们认为推荐系统在我们的日常生活中具有难以置信的影响力，关于LLM将如何影响这些系统，目前还没有大量的讨论。
我们都经历过使用推荐系统的痛苦：你注册了推特来跟上最新的人工智能研究，但点击一个有趣的模因会让你的时间线充满类似的分心。这些系统的作用是最大限度地提高所有者的利润，而不是你的福利。在这里，我们概述了我们以LangChain为动力的解决方案背后的基本原理，以解决其核心问题。
透明度和可配置性。
在布莱恩·克里斯蒂安（Brian Christian）的《结盟问题》（the Alignment Problem）一书中，他分享了一则轶事：他的朋友正在从酒精成瘾中恢复，但推荐系统可能有点太了解他对酒精的热爱，并在他的推送中充斥着酒精广告。这一集生动地说明了一个反复出现的问题——推荐系统善于迎合我们今天的样子，但几乎没有给我们留下什么自由来决定我们想要成为什么样的人。目前的推荐系统缺乏透明度和可配置性。因此，我们很难识别推荐系统对我们的偏好做出的任何有问题的推断，更不用说修改它们了。