01.Cognita
Cognita 是一个开源框架,专为组织 RAG 代码库而设计,并配备了一个前端界面,以便用户能够轻松尝试不同的 RAG 定制化设置。该框架提供了一种简化的代码库组织方式,使得在本地测试变得简单,同时也能够部署到生产就绪的环境中。将 RAG 系统从 Jupyter Notebook 转换为生产环境时,需要解决以下关键问题:
-
数据分块与嵌入作业:通常需要将数据分块和嵌入代码抽象出来,并作为一个作业部署。有时,这个作业需要按计划运行,或者通过事件触发,以保持数据的更新。
-
查询服务:生成查询答案的代码需要封装在一个 API 服务器中,如 FastAPI,并作为服务部署。该服务应能够同时处理多个查询,并在流量增加时自动扩展。
-
大型语言模型/嵌入模型部署:如果我们使用的是开源模型,通常会在 Jupyter 笔记本中加载模型。在生产环境中,这需要作为独立的服务托管,并且模型需要作为 API 被调用。
-
向量数据库部署:大多数测试是在内存或磁盘上的向量数据库上进行的。然而,在生产环境中,数据库需要以更可扩展和更可靠的方式部署。
Cognita 使得定制和实验 RAG 系统的各个方面变得非常简单,并且仍然能够以良好的方式部署。它还附带了一个用户界面,使用户能够更容易地尝试不同的 RAG 配置,并实时查看结果。它可以在本地使用,也可以与或不与 Truefoundry 组件一起使用。然而,使用 Truefoundry 组件可以更容易地测试不同的模型,并以可扩展的方式部署系统。Cognita 允许您使用一个应用程序托管多个 RAG 系统。
02.Cognita优势
-
一个集中可复用的解析器、加载器、嵌入器和检索器库。
-
非技术用户可以通过用户界面进行操作——上传文档并使用开发团队构建的模块执行问答。
-
完全由 API 驱动——这允许与其他系统集成。
-
如果将 Cognita 与 Truefoundry AI 网关一起使用,您可以为用户查询获得日志记录、度量指标和反馈机制。
03.相关特性
-
支持多种利用相似性搜索、查询分解、文档重排等功能的文档检索器。
-
支持使用 mixedbread-ai 提供的最先进的开源嵌入技术和重排技术。
-
支持使用 Ollama 技术利用大型语言模型(LLMs)。
-
支持增量索引功能,能够批量处理整个文档(减轻计算负担),跟踪已索引的文档,并防止这些文档的重复索引。
04.为什么选择Cognita?
Langchain/LlamaIndex 提供了易于使用的抽象层,便于在 Jupyter 笔记本上进行快速实验和原型设计。然而,当项目转向生产环境时,需要满足诸如组件的模块化、易于扩展和可伸缩性等限制。这正是 Cognita 发挥作用的地方。Cognita 在底层使用 Langchain/LlamaIndex,并为您的代码库提供组织结构,其中每个 RAG 组件都是模块化的、由 API 驱动且易于扩展。Cognita 可以轻松地在本地设置中使用,同时提供生产就绪的环境以及无代码 UI 支持。Cognita 默认还支持增量索引。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。