在数据安全和隐私保护日益受到重视的背景下,私有化部署大模型的需求日益增长。Mintplex Labs Inc. 推出的开源项目 AnythingLLM,为个人和企业提供了一种安全、高效且可定制的解决方案。该工具基于RAG(Retrieval-Augmented Generation)模型,允许用户将本地文档转换为可由大型语言模型(LLM)引用的格式,实现对话式问答和知识管理。
一、AnythingLLM的主要功能
-
多用户支持与权限管理:支持多用户同时访问,并可设置不同权限。
-
文档管理:支持PDF、TXT、DOCX等多种文档类型,并通过简易界面管理。
-
聊天模式:提供对话和查询两种模式,保留历史记录,支持引用标注。
-
技术栈简单:便于快速迭代和云部署。
-
成本效益:对大型文档一次性嵌入,显著节约成本。
-
开发者API:提供完整API支持自定义集成。
-
LLM:包括任何开源的 llama.cpp 兼容模型、OpenAI、Azure OpenAI、Anthropic ClaudeV2、LM Studio 和 LocalAi。
-
嵌入模型:AnythingLLM 原生嵌入器、OpenAI、Azure OpenAI、LM Studio 和 LocalAi。
-
向量数据库:LanceDB(默认)、Pinecone、Chroma、Weaviate 和 QDrant。
二、AnythingLLM 部署实战
1. 安装Chroma Vectorstore:通过Docker容器部署,创建集合并验证设置。
访问向量存储API文档: http://localhost:8000/docs
2. LocalAI部署:使用CLI应用程序启动API服务器,与开源模型交互。
git clone https://github.com/go-skynet/LocalAI``cd chroma``docker compose up -d --build
容器运行后,我们需要下载、安装模型以供测试使用
Bert 的转换器嵌入模型:MiniLM L6
curl http://localhost:8080/models/apply `` -H "Content-Type: application/json"` `-d '{ "id": "model-gallery@bert-embeddings" }'`` ``curl http://localhost:8080/v1/embeddings `` -H "Content-Type: application/json"` `-d '{ "input": "The food was delicious and the waiter...",``"model": "bert-embeddings" }'`` ``{``"created": 1702050873,``"object": "list",``"id": "b11eba4b-d65f-46e1-8b50-38d3251e3b52",``"model": "bert-embeddings",``"data": [` `{``"embedding": [` `-0.043848168,``0.067443006,` `...``0.03223838,``0.013112408,``0.06982294,` `-0.017132297,` `-0.05828256` `],``"index": 0,``"object": "embedding"` `}` `],``"usage": {``"prompt_tokens": 0,``"completion_tokens": 0,``"total_tokens": 0` `}``}
大模型LLM:Zephyr-7B-β
curl http://localhost:8080/models/apply `` -H "Content-Type: application/json" `` -d '{ "id": "huggingface@thebloke__zephyr-7b-beta-gguf__zephyr-7b-beta.q4_k_s.gguf", `` "name": "zephyr-7b-beta" }'`` ``curl http://localhost:8080/v1/chat/completions `` -H "Content-Type: application/json" `` -d '{ "model": "zephyr-7b-beta", `` "messages": [{` `"role": "user",`` "content": "Why is the Earth round?"}], `` "temperature": 0.9 }'`` ``{` `"created": 1702050808,` `"object": "chat.completion",` `"id": "67620f7e-0bc0-4402-9a21-878e4c4035ce",` `"model": "thebloke__zephyr-7b-beta-gguf__zephyr-7b-beta.q4_k_s.gguf",` `"choices": [` `{` `"index": 0,` `"finish_reason": "stop",` `"message": {` `"role": "assistant",` `"content": "\nThe Earth appears round because it is``actually a spherical body. This shape is a result of the` `gravitational forces acting upon it from all directions. The force` `of gravity pulls matter towards the center of the Earth, causing` `it to become more compact and round in shape. Additionally, the` `Earth's rotation causes it to bulge slightly at the equator,` `further contributing to its roundness. While the Earth may appear` `flat from a distance, up close it is clear that our planet is` `indeed round."` `}` `}` `],` `"usage": {` `"prompt_tokens": 0,` `"completion_tokens": 0,` `"total_tokens": 0` `}``}
3. 部署AnythingLLM:利用官方Docker镜像安装,然后配置LocalAI后端和嵌入模型。
docker pull mintplexlabs/anythingllm:master`` ``export STORAGE_LOCATION="/var/lib/anythingllm" && \``mkdir -p $STORAGE_LOCATION && \``touch "$STORAGE_LOCATION/.env" && \``docker run -d -p 3001:3001 \``-v ${STORAGE_LOCATION}:/app/server/storage \``-v ${STORAGE_LOCATION}/.env:/app/server/.env \``-e STORAGE_DIR="/app/server/storage" \``mintplexlabs/anythingllm:master
访问:http://localhost:3001,我们可以在其中使用直观的 GUI 开始配置。
LocalAI 后端配置:通过 http://172.17.0.1:8080/v1 URL 访问
嵌入模型配置与相同的 LocalAI 后端保持一致。
接下来,配置 Chroma 向量数据库,使用URL http://172.17.0.1:8000
创建一个工作区,命名为“Playground”。
在“Playground”工作区,我们可以上传文档,进一步扩展本地知识库。
至此我们能够与文档开始进行交互式对话。
总结:
AnythingLLM和Vector Admin是Mintplex Labs提供的创新开源工具,它们极大地简化了私有知识库的构建和管理。通过高效的RAG模型实现和直观的用户界面,这些工具不仅保障了数据的安全性,同时也提供了强大的交互式文档处理能力。随着技术的不断进步,这些工具将为企业和个人用户提供更多的可能性和价值。
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。