Contextual AI

情境化 AI 提供最先进的 RAG 组件，专为准确可靠的企业 AI 应用程序而设计。我们的 LangChain 集成为我们的专用模型公开了独立的 API 端点：

接地语言模型（GLM）：世界上最接地气的语言模型，旨在通过优先考虑对检索到的知识的忠实度来最大限度地减少幻觉。GLM 通过内联归因提供卓越的事实准确性，使其成为可靠性至关重要的企业 RAG 和代理应用程序的理想选择。
Instruction-Following Reranker：第一个遵循自定义说明的 reranker，根据特定标准（如新近度、来源或文档类型）智能地确定文档的优先级。我们的 reranker 在行业基准上优于竞争对手，解决了企业知识库中相互冲突的信息挑战。

Contextual AI 由 RAG 技术的发明者创立，其专用组件可帮助创新团队加速开发生产就绪型 RAG 代理，以极高的准确性提供响应。

接地语言模型（GLM）

接地语言模型（GLM）经过专门设计，可最大限度地减少企业 RAG 和代理应用程序中的幻觉。GLM 提供：

性能强劲，在 FACTS 基准测试中具有 88% 的事实准确率（查看基准测试结果)
响应严格基于提供的知识来源，并带有内联归因（阅读产品详细信息)
精确的来源引用直接集成到生成的回复中
检索到的上下文优先于参数知识（View 技术概述)
在信息不可用时明确承认不确定性

GLM 可作为 RAG 管道中通用 LLM 的直接替代品，显著提高任务关键型企业应用程序的可靠性。

指令跟随 Reranker

世界上第一个 Instruction-Following Reranker 以前所未有的控制和准确性彻底改变了文档排名。主要功能包括：

自然语言指令，用于根据新近度、来源、元数据等确定文档的优先级（查看工作原理)
在 BEIR 基准测试中表现出色，得分为 61.2，明显优于竞争对手（查看基准测试数据)
智能解决来自多个知识来源的冲突信息
无缝集成，作为现有 reranker 的直接替代品
通过自然语言命令对文档排名进行动态控制

reranker 擅长处理具有潜在矛盾信息的企业知识库，允许您准确指定在各种情况下应优先使用哪些来源。

将上下文 AI 与 LangChain 结合使用

在此处查看详细信息。

此集成使您可以轻松地将上下文 AI 的 GLM 和 Instruction-Following Reranker 整合到您的 LangChain 工作流程中。GLM 确保您的应用程序提供严格基于的响应，而 reranker 通过智能地确定最相关文档的优先级来显着提高检索质量。

无论您是为受监管的行业还是注重安全的环境构建应用程序，情境化 AI 都能提供企业用例所需的准确性、控制力和可靠性。

立即开始免费试用，体验适用于企业 AI 应用程序的最扎实的语言模型和指令遵循重新排序器。

扎根语言模型

# Integrating the Grounded Language Model
import getpass
import os

from langchain_contextual import ChatContextual

# Set credentials
if not os.getenv("CONTEXTUAL_AI_API_KEY"):
    os.environ["CONTEXTUAL_AI_API_KEY"] = getpass.getpass(
        "Enter your Contextual API key: "
    )

# initialize Contextual llm
llm = ChatContextual(
    model="v1",
    api_key="",
)
# include a system prompt (optional)
system_prompt = "You are a helpful assistant that uses all of the provided knowledge to answer the user's query to the best of your ability."

# provide your own knowledge from your knowledge-base here in an array of string
knowledge = [
    "There are 2 types of dogs in the world: good dogs and best dogs.",
    "There are 2 types of cats in the world: good cats and best cats.",
]

# create your message
messages = [
    ("human", "What type of cats are there in the world and what are the types?"),
]

# invoke the GLM by providing the knowledge strings, optional system prompt
# if you want to turn off the GLM's commentary, pass True to the `avoid_commentary` argument
ai_msg = llm.invoke(
    messages, knowledge=knowledge, system_prompt=system_prompt, avoid_commentary=True
)

print(ai_msg.content)

According to the information available, there are two types of cats in the world:

1. Good cats
2. Best cats

指令跟随 Reranker

import getpass
import os

from langchain_contextual import ContextualRerank

if not os.getenv("CONTEXTUAL_AI_API_KEY"):
    os.environ["CONTEXTUAL_AI_API_KEY"] = getpass.getpass(
        "Enter your Contextual API key: "
    )


api_key = ""
model = "ctxl-rerank-en-v1-instruct"

compressor = ContextualRerank(
    model=model,
    api_key=api_key,
)

from langchain_core.documents import Document

query = "What is the current enterprise pricing for the RTX 5090 GPU for bulk orders?"
instruction = "Prioritize internal sales documents over market analysis reports. More recent documents should be weighted higher. Enterprise portal content supersedes distributor communications."

document_contents = [
    "Following detailed cost analysis and market research, we have implemented the following changes: AI training clusters will see a 15% uplift in raw compute performance, enterprise support packages are being restructured, and bulk procurement programs (100+ units) for the RTX 5090 Enterprise series will operate on a $2,899 baseline.",
    "Enterprise pricing for the RTX 5090 GPU bulk orders (100+ units) is currently set at $3,100-$3,300 per unit. This pricing for RTX 5090 enterprise bulk orders has been confirmed across all major distribution channels.",
    "RTX 5090 Enterprise GPU requires 450W TDP and 20% cooling overhead.",
]

metadata = [
    {
        "Date": "January 15, 2025",
        "Source": "NVIDIA Enterprise Sales Portal",
        "Classification": "Internal Use Only",
    },
    {"Date": "11/30/2023", "Source": "TechAnalytics Research Group"},
    {
        "Date": "January 25, 2025",
        "Source": "NVIDIA Enterprise Sales Portal",
        "Classification": "Internal Use Only",
    },
]

documents = [
    Document(page_content=content, metadata=metadata[i])
    for i, content in enumerate(document_contents)
]
reranked_documents = compressor.compress_documents(
    query=query,
    instruction=instruction,
    documents=documents,
)

API 参考：文档

接地语言模型 （GLM）

指令跟随 Reranker

将上下文 AI 与 LangChain 结合使用

扎根语言模型

指令跟随 Reranker

接地语言模型（GLM）