一、背景
在当今社会，实际应用比纯粹理解原理和概念更为重要。即使您对某个领域的原理和概念有深入的理解，但如果无法将其应用于实际场景并受制于各种客观条件，那么与其一开始就过于深入，不如先从基础开始，实际操作后再逐步深入探索。
在这种实践至上的理念下，或许我可以为您提供一种直接的、实际操作的方法。希望能借助我的经验，为各位朋友带来一些有帮助的建议，例如：
1、您是否也在迫不及待地期待在AI时代中展示自己的能力？
2、您是否一直在研究如何使用开源模型？
3、您是否一直在寻找将AI与业务结合的方向？
4、您是否一直在寻找模型推理加速的方法？
5、您是否一直在努力整合来自互联网上零散的资料？
如果您在上述问题中有类似的疑问，我非常希望您能从中受益。
二、项目架构
简化后的示意图如下：
三、总览
通过实际案例，我们将为大家呈现一系列文章，帮助您了解如何将开源模型与业务整合。这些文章将引导您深入掌握该过程。
3.1. 初级入门系列
3.1.1. 开源模型应用落地-qwen模型小试-入门篇系列
重点：在windows环境下，使用transformer调用Qwen-1_8B-Chat模型
重点：在windows环境下，使用transformer设置模型参数/System Prompt/历史对话
重点：在linux环境下，使用transformer调用Qwen-1_8B-Chat模型
重点：使用gradio，构建Qwen-1_8B-Chat模型的测试界面
重点：使用modelscope api调用Qwen-1_8B-Chat模型，实现非流式/流式输出
重点：Qwen1.5系列模型的新特性及使用方式
3.1.2. 开源模型应用落地-baichuan模型小试-入门篇系列
3.1.3. 开源模型应用落地-chatglm模型小试-入门篇系列
3.1.4. 开源模型应用落地-KnowLM模型小试-入门篇系列
重点：调用KnowLM模型，实现知识抽取
重点：优化模型参数，提高知识提取效率和质量
3.2. 高级进阶系列
3.2.1. 开源模型应用落地-向量数据库小试-入门篇系列
3.2.2. 开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势系列
开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势（一）
重点：qwen-7b-chat集成vllm
开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势（二）
重点：gunicorn+flask构建AI服务
开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势（三）
重点：supervisor提升服务的稳定性
开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势（四）
重点：鉴权和限流提升AI服务的安全性和稳定性
开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势（五）
重点：定时任务处理隐藏盲点
开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势（六）
重点：改变模型自我认知
开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势（七）
重点：AI服务性能优化
开源模型应用落地-qwen1.5-7b-chat与vllm实现推理加速的正确姿势（八）
重点：qwen1.5-7b-chat集成vllm
开源模型应用落地-qwen1.5-7b-chat与vllm实现推理加速的正确姿势（九）
重点：qwen1.5-7b-chat集成vllm，构建与OpenAI-API兼容的API服务
3.2.3. 开源模型应用落地-业务整合系列
重点：使用HttpURLConnection/OkHttp/HttpClient多种方式调用AI服务
重点：使用Netty库快速构建WebSocket服务，实现客户端与AI服务交互
重点：spring boot集成netty服务，实现用户界面交互
重点：构建websocket身份校验机制，避免无效连接
重点：构建websocket心跳机制，及时释放一些无效的连接
3.2.4. 开源模型应用落地-业务优化系列
重点：使用线程池提升处理效率
重点：使用Redis队列和分布式锁实现请求排队
重点：使用SLB实现AI服务水平扩容
重点：多级数据缓存概述
重点：使用HanLP进行词性标注，并使用Redis作为一级缓存
重点：使用向量数据库作为二级缓存，来为AI服务减负，提升处理效率
重点：使用RocketMQ提升处理效率
重点：统计问题的请求频次，实现热门问题的实时缓存
3.2.5. 开源模型应用落地-安全合规系列
重点：使用DFA算法检测输入内容的合法性
重点：使用腾讯云文本内容安全服务检测输入内容的合法性
62
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
