Zurück zur englischen Version der DokumentationGenerative KI-Lösungen codieren
Generative KI-Lösungen codieren
Letzte Aktualisierung: 12. Dez. 2024
IBM watsonx.ai verfügt über REST-APIs, die programmgesteuerte Tasks für die Arbeit mit Basismodellen unterstützen. Diese APIs werden in einer Python -Bibliothek und einem Node.js -Paket ausgeführt, die Sie verwenden können, um Basismodelle in Ihren abgeleiteten KI-Anwendungen zu nutzen.
Weitere Ressourcen, die Ihnen bei Codierungsaufgaben helfen können, einschließlich Beispielcode und Communities, in denen Sie Tipps und Tricks diskutieren und Antworten auf häufig gestellte Fragen finden können, finden Sie im watsonx Developer Hub .
Tasks, die Sie programmgesteuert ausführen können
Sie können die REST-API watsonx.ai , die Python -Bibliothek oder das Node.js SDK verwenden, um die folgenden Tasks programmgesteuert auszuführen:
| Aufgabe | Python | Node.js | REST-API |
|---|---|---|---|
| Details zu den verfügbaren Basismodellen abrufen | Modellspezifikationen abrufen | Beispiel | Auflisten der unterstützten Fundamentmodelle |
| Tokens überprüfen, die ein Modell für eine Eingabeaufforderung berechnet | Tokenisieren Sie integrierte Foundation-Modelle | Beispiel | Text-Tokenisierung |
| Eine Liste der verfügbaren benutzerdefinierten Stiftungsmodelle abrufen | Angepasste Modelle | Rufen Sie die Bereitstellungen ab. Verwenden Sie den Parameter type=custom_foundation_model . |
|
| Ableitung eines foundation model | Texterzeugung | Beispiel | Textgenerierung |
| Ableitung eines foundation model für die Bereitstellung bei Bedarf | Texterzeugung | Text ableiten | |
| Konfigurieren von AI-Leitplanken beim Inferencing eines foundation model | Entfernen schädlicher Inhalte | Verwenden Sie das Feld " moderations, um Filter auf die Eingabe und Ausgabe foundation model anzuwenden. Siehe Infer-Text |
|
| Chat mit einem foundation model | ModelInference.chat() | Beispiel | Text ableiten |
| Tool-Aufrufe aus dem Chat | ModelInference.chat() | Text ableiten | |
| Prompt-Tuning eines foundation model | Weitere Informationen finden Sie in der Dokumentation | Beispiel | Weitere Informationen finden Sie in der Dokumentation |
| Ableitung eines abgestimmten foundation model | Texterzeugung | Beispiel | Text ableiten |
| Alle Prompt-Vorlagen auflisten | Alle Eingabeaufforderungsvorlagen auflisten | Holen Sie sich eine Eingabeaufforderungsvorlage | |
| Auflistung der bereitgestellten Prompt-Vorlagen | Auflisten bereitgestellter Eingabeaufforderungsvorlagen | Auflisten der Bereitstellungen (Typ=Prompt_Template) | |
| Ableitung eines foundation model mit Hilfe einer Prompt-Vorlage | Eingabeaufforderungsvorlagen-Manager | Beispiel | Text ableiten |
| Text vektorisieren | Dokumente einbetten | Beispiel | Texteinbettung |
| Text aus Dokumenten extrahieren | Textextraktionen | Textextraktion | |
| Dokumentpassagen neu bewerten | Neu einstufen | Neurang generieren | |
| Prognostizieren Sie zukünftige Werte | TSModelInference | Zeitreihenprognose | |
| Integrieren mit LangChain | IBM Erweiterung in LangChain | - Chat-API - Grundmodelle - Einbettungsmodelle |
|
| Integrieren mit LlamaIndex | • IBM LLMs in LlamaIndex • IBM Einbettungen in LlamaIndex |
Weitere Informationen
- Berechtigungsnachweise für programmgesteuerten Zugriff
- Projekt-ID suchen
- Basismodell-IDs
- BibliothekPython
- Node.js SDK
- REST-API
- Text vektorisieren
- Neuordnung von Dokumentenpassagen
- Text aus Dokumenten extrahieren
- Hinzufügen einer generativen Chatfunktion zu Ihren Anwendungen mit der Chat-API
- Aufbau von agentengesteuerten Arbeitsabläufen mit der Chat-API
- Vorhersage zukünftiger Werte
Übergeordnetes Thema: Abgenerative KI-Lösungen entwickeln