RAG

Den här lilla Go-kodexemplet för omrankning använder Ollama för att generera inbäddningar för frågan och för varje kandidatdokument, sedan sorterar i fallande ordning efter cosinuslikhet.

Modellerna för Qwen3 Embedding och Reranker (https://www.glukhov.org/sv/post/2025/06/qwen3-embedding-qwen3-reranker-on-ollama/ “Qwen3 Embedding och Reranker modeller på ollama”) är de senaste lanseringarna i Qwen-familjen, specifikt utformade för avancerade textembedding-, återvinning- och omrankningstjänster.

• För en direkt motsvarighet till Beautiful Soup i Go, använd soup.
• För stöd för CSS-selektorer, överväg goquery.
• För XPath-förfrågningar, använd htmlquery.
• För ett annat alternativ inspirerat av Beautiful Soup, titta på Node.

Om du letar efter en motsvarighet till Beautiful Soup i Go, erbjuder flera bibliotek liknande HTML-parsing och skrapningsfunktioner:

I biblioteket med Ollama-modeller finns det modeller som kan konvertera HTML-innehåll till Markdown, vilket är användbart för uppgifter som innehållskonvertering.

Användning av LLMs är inte särskilt dyrt, kanske finns det inte ens behov av att köpa nya fantastiska GPU:er. Här är en lista över LLM-leverantörer i molnet med de LLMs de erbjuder.

När Ollama-servern tar emot två förfrågningar samtidigt, beror dess beteende på dess konfiguration och tillgängliga systemresurser.

DeepSeek’s första generation av resonemangsmodeller med jämförbar prestanda med OpenAI-o1, inklusive sex täta modeller destillerade från DeepSeek-R1 baserade på Llama och Qwen.

Reranking är ett andra steg i Retrieval Augmented Generation (RAG) system, precis mellan Retrieval och Generating.

Även om det finns några vanliga metoder för att skriva bra instruktioner så att LLM inte blir förvirrad när den försöker förstå vad du vill ha av den.

Testar hur modeller med olika antal parametrar och kvantisering beter sig.