需求
之前给领导画饼,说是要搞个智能大模型助手,这不就得实现这个饼了。 简单讲讲这个需求:
- 能根据喂给它的文件的内容进行回答
- 能进行编排(温度,敏感词过滤等)
- 能暴露成API和WebApp
技术选型
经过综合考量,LLM部署和推理框架选用 (Xinference)
LLMOps平台选用Dify.AI · The Innovation Engine for Generative AI Applications
这个是国人写的,支持企业级部署
大模型使用 智谱清言 (chatglm.cn)
不多说,清华的
①人工智能/大模型学习路线
②AI产品经理入门指南
③大模型方向必读书籍PDF版
④超详细海量大模型实战项目
⑤LLM大模型系统学习教程
⑥640套-AI大模型报告合集
⑦从0-1入门大模型教程视频
⑧AGI大模型技术公开课名额
安装
基础环境
基础环境需要Python39 pip、docker
Xinference
安装可以参考:部署快捷、使用简单、推理高效!大模型部署和推理框架 Xinference 来了!_大模型部署框架-CSDN博客
以及官方文档安装 — Xinference
值得注意的是,安装Xinference之后会安装会自动安装PyTorch,和对应的CUDA,此时你需要自己检查下是否安装正确
Dify
这个直接用Docker-compose即可
- 将源码拉下来
- 找到源码对应的docker目录,使用docker-compose启动
简单使用
这里会简单搞1个Node小助手
首先进入Xinference把模型跑起来,启动命令
xinference-local
之后找到想要的模型,点击run,初次会需要下载,建议最好跑在Nvidia的GPU上。
跑起来后,通过左侧RunningModels菜单,可以看到正在跑的模型 点击右侧即可进入WebApp(就是日常使用GPT的聊天窗)
想要进一步得出想要的小助手,需要对模型进行编排,这时候就需要请出Dify,启动后,进入到Nginx容器的地址,进入设置,对接好Xinference。
之后创建应用
可以看到这里用了知识库,先在Xinference里跑起Embedding 模型,作用是将文本转换为向量
然后跑Rerank 模型,用来对文本进行排序
最后回到Dify,创建知识库,选择好对应的模型,
之后在回到模型编排,将对应的知识库放进上下文里,提示词写上按上下文回答。
发布后打开概览,可以看到你的APP和API
点击APP的预览,进入到熟悉的聊天窗
至此,本地部署大模型就完成了,当然这套也可以部署在服务器上,只需要选择对应的Linux的版本,以及确保网络的通畅。
值得提醒的是:硬件一定要好,否则不但达不到你对大模型的预期,搭建过程也会困难重重
如何系统的去学习大模型LLM ?
作为一名热心肠的互联网老兵,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。
😝有需要的小伙伴,可以V扫描下方二维码免费领取🆓
一、全套AGI大模型学习路线
AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!
二、640套AI大模型报告合集
这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
阶段1:AI大模型时代的基础理解
- 目标:了解AI大模型的基本概念、发展历程和核心原理。
- 内容:
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践 - L1.5 GPT应用案例
阶段2:AI大模型API应用开发工程
- 目标:掌握AI大模型API的使用和开发,以及相关的编程技能。
- 内容:
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例 - L2.2 Prompt框架
- L2.2.1 什么是Prompt
- L2.2.2 Prompt框架应用现状
- L2.2.3 基于GPTAS的Prompt框架
- L2.2.4 Prompt框架与Thought
- L2.2.5 Prompt框架与提示词 - L2.3 流水线工程
- L2.3.1 流水线工程的概念
- L2.3.2 流水线工程的优点
- L2.3.3 流水线工程的应用 - L2.4 总结与展望
- L2.1 API接口
阶段3:AI大模型应用架构实践
- 目标:深入理解AI大模型的应用架构,并能够进行私有化部署。
- 内容:
- L3.1 Agent模型框架
- L3.1.1 Agent模型框架的设计理念
- L3.1.2 Agent模型框架的核心组件
- L3.1.3 Agent模型框架的实现细节 - L3.2 MetaGPT
- L3.2.1 MetaGPT的基本概念
- L3.2.2 MetaGPT的工作原理
- L3.2.3 MetaGPT的应用场景 - L3.3 ChatGLM
- L3.3.1 ChatGLM的特点
- L3.3.2 ChatGLM的开发环境
- L3.3.3 ChatGLM的使用示例 - L3.4 LLAMA
- L3.4.1 LLAMA的特点
- L3.4.2 LLAMA的开发环境
- L3.4.3 LLAMA的使用示例 - L3.5 其他大模型介绍
- L3.1 Agent模型框架
阶段4:AI大模型私有化部署
- 目标:掌握多种AI大模型的私有化部署,包括多模态和特定领域模型。
- 内容:
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
学习计划:
- 阶段1:1-2个月,建立AI大模型的基础知识体系。
- 阶段2:2-3个月,专注于API应用开发能力的提升。
- 阶段3:3-4个月,深入实践AI大模型的应用架构和私有化部署。
- 阶段4:4-5个月,专注于高级模型的应用和部署。
这份完整版的大模型 LLM 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
😝有需要的小伙伴,可以Vx扫描下方二维码免费领取🆓