26.8K+ Star！MindsDB：一个从企业数据构建AI的平台

最新推荐文章于 2025-04-10 10:28:49 发布

小马不会过河

最新推荐文章于 2025-04-10 10:28:49 发布

阅读量1.3k

点赞数 18

文章标签：人工智能算法数据库 python redis

本文链接：https://blog.csdn.net/m0_59163425/article/details/143808036

版权

MindsDB 简介

MindsDB[1] 提供了一个强大的平台，使得从企业数据构建AI变得更加简单和直观。通过其丰富的集成选项和易于使用的接口，MindsDB能够帮助开发者和企业快速构建和部署AI驱动的应用程序。

项目特点

主要特点

数据源集成：MindsDB与多种数据源集成，包括数据库、向量存储和应用程序，以及流行的AI/ML框架，如AutoML和LLMs。
自动化工作流：MindsDB连接数据源和AI/ML框架，自动化它们之间的常规工作流程。
自定义AI系统：通过将数据和AI结合，MindsDB使得实现定制化的AI系统变得直观。
多语言支持：MindsDB支持通过SQL API、REST API、Python SDK、JavaScript SDK和MongoDB-QL等多种方式与用户交互。
增强SQL语法：MindsDB扩展了SQL语法，使得AI应用的开发和部署更加无缝。

使用场景

AI工作流自动化：涉及从数据源获取数据，通过AI/ML模型处理，并将输出写入数据目的地的任务，如异常检测、数据索引/标记/清洗和数据转换。
AI系统部署：涉及创建由多个连接部分组成的AI系统，包括各种AI/ML模型和数据源，并通过API暴露这些AI系统，如代理和助手、推荐系统、预测系统和语义搜索。

项目使用

快速开始

通过Docker安装MindsDB，连接数据源，使用AI和ML准备数据，并实现多种用例，详细可参考MindsDB安装说明[2]。

使用示例

MindsDB支持包括RAG、Agents和自动化AI-data工作流在内的多种用例。下面是一个AI系统部署示例，展示了如何创建一个能够搜索结构化数据的AI代理，包括连接数据源、创建技能、部署会话模型、创建代理和查询代理。

-- Step 1: Connect a data source to MindsDB   CREATE DATABASE data_source   WITH ENGINE = "postgres",   PARAMETERS = {       "user": "demo_user",       "password": "demo_password",       "host": "samples.mindsdb.com",       "port": "5432",       "database": "demo",       "schema": "demo_data"   };      SELECT * FROM data_source.car_sales;      -- Step 2: Create a skill   CREATE SKILL my_skill   USING       type = 'text2sql',       database = 'data_source',       tables = ['car_sales'],       description = 'car sales data of different car types';      SHOW SKILLS;      -- Step 3: Deploy a conversational model   CREATE ML_ENGINE langchain_engine   FROM langchain   USING         openai_api_key = 'your openai-api-key';            CREATE MODEL my_conv_model   PREDICT answer   USING       engine = 'langchain_engine',       model_name = 'gpt-4',       mode = 'conversational',       user_column = 'question',       assistant_column = 'answer',       max_tokens = 100,       temperature = 0,       verbose = True,       prompt_template = 'Answer the user input in a helpful way';      DESCRIBE my_conv_model;      -- Step 4: Create an agent   CREATE AGENT my_agent   USING       model = 'my_conv_model',       skills = ['my_skill'];      SHOW AGENTS;      -- Step 5: Query an agent   SELECT * FROM my_agent WHERE question = 'What is the average price of cars from 2018?';

连接数据源：将PostgreSQL数据库连接到MindsDB。
创建技能：基于汽车销售数据集创建文本到SQL的技能。
部署对话模型：创建并使用基于Langchain的对话模型。
创建代理：创建一个代理，并分配技能和模型。
查询代理：通过提问来查询代理，获取数据存储在分配的技能中的问题答案。

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。

在这里插入图片描述