


Expérimentez l'interface Chainlit AI avec RAG sur Upsun
Chainlit : un cadre d'IA conversationnelle évolutif
Chainlit est un framework Python asynchrone open source conçu pour créer des applications d'IA conversationnelles robustes et évolutives. Il offre une base flexible, permettant aux développeurs d'intégrer de manière transparente des API externes, une logique personnalisée et des modèles locaux.
Ce tutoriel présente deux implémentations de Retrieval Augmented Generation (RAG) dans Chainlit :
- Exploiter les assistants OpenAI avec les documents téléchargés.
- Utilisation de llama_index avec un dossier de documents local.
Configuration locale de Chainlit
Environnement virtuel
Créez un environnement virtuel :
mkdir chainlit && cd chainlit python3 -m venv venv source venv/bin/activate
Installer les dépendances
Installez les packages requis et enregistrez les dépendances :
pip install chainlit pip install llama_index # For implementation #2 pip install openai pip freeze > requirements.txt
Tester Chainlit
Démarrer Chainlit :
chainlit hello
Accédez à l'espace réservé sur https://www.php.cn/link/2674cea93e3214abce13e072a2dc2ca5
Déploiement Upsun
Initialisation de Git
Initialiser un dépôt Git :
git init .
Créer un fichier .gitignore
:
<code>.env database/** data/** storage/** .chainlit venv __pycache__</code>
Création du projet Upsun
Créez un projet Upsun à l'aide de la CLI (suivez les invites). Upsun configurera automatiquement le référentiel distant.
Configuration
Exemple de configuration Upsun pour Chainlit :
applications: chainlit: source: root: "/" type: "python:3.11" mounts: "/database": source: "storage" source_path: "database" ".files": source: "storage" source_path: "files" "__pycache__": source: "storage" source_path: "pycache" ".chainlit": source: "storage" source_path: ".chainlit" web: commands: start: "chainlit run app.py --port $PORT --host 0.0.0.0" upstream: socket_family: tcp locations: "/": passthru: true "/public": passthru: true build: flavor: none hooks: build: | set -eux pip install -r requirements.txt deploy: | set -eux # post_deploy: | routes: "https://{default}/": type: upstream upstream: "chainlit:http" "https://www.{default}": type: redirect to: "https://{default}/"
Définissez la variable d'environnement OPENAI_API_KEY
via Upsun CLI :
upsun variable:create env:OPENAI_API_KEY --value=sk-proj[...]
Déploiement
Commettre et déployer :
git add . git commit -m "First chainlit example" upsun push
Examinez l'état du déploiement. Un déploiement réussi montrera que Chainlit s'exécute sur votre environnement principal.
Implémentation 1 : Assistant OpenAI et fichiers téléchargés
Cette implémentation utilise un assistant OpenAI pour traiter les documents téléchargés.
Assistant Création
Créez un nouvel assistant OpenAI sur la plateforme OpenAI. Définissez les instructions du système, choisissez un modèle (avec format de réponse texte) et maintenez la température basse (par exemple, 0,10). Copiez l'ID de l'assistant (asst_[xxx]
) et définissez-le comme variable d'environnement :
upsun variable:create env:OPENAI_ASSISTANT_ID --value=asst_[...]
Téléchargement de contenu
Téléchargez vos documents (Markdown de préférence) vers l'assistant. OpenAI créera un magasin de vecteurs.
Assistant Logique (app.py)
Remplacez le contenu app.py
par le code fourni. Éléments clés : @cl.on_chat_start
crée un nouveau fil de discussion OpenAI et @cl.on_message
envoie les messages de l'utilisateur au fil de discussion et diffuse la réponse.
Commit et déployez les modifications. Testez l'assistant.
Implémentation 2 : OpenAI llama_index
Cette implémentation utilise llama_index pour la gestion des connaissances locales et OpenAI pour la génération de réponses.
Création de succursale
Créer une nouvelle branche :
mkdir chainlit && cd chainlit python3 -m venv venv source venv/bin/activate
Création de dossiers et montages
Créez des dossiers data
et storage
. Ajoutez des montures à la configuration Upsun.
Mise à jour app.py
Mettez à jour app.py
avec le code llama_index fourni. Ce code charge des documents, crée un VectorStoreIndex et l'utilise pour répondre aux requêtes via OpenAI.
Déployez le nouvel environnement et téléchargez le dossier data
. Testez l'application.
Bonus : Authentification
Ajoutez une authentification à l'aide d'une base de données SQLite.
Configuration de la base de données
Créez un dossier database
et ajoutez un support à la configuration Upsun. Créez une variable d'environnement pour le chemin de la base de données :
pip install chainlit pip install llama_index # For implementation #2 pip install openai pip freeze > requirements.txt
Logique d'authentification (app.py)
Ajoutez une logique d'authentification à app.py
en utilisant @cl.password_auth_callback
. Cela ajoute un formulaire de connexion.
Créez un script pour générer des mots de passe hachés. Ajoutez des utilisateurs à la base de données (à l'aide de mots de passe hachés). Déployez l'authentification et testez la connexion.
Conclusion
Ce tutoriel a démontré le déploiement d'une application Chainlit sur Upsun avec deux implémentations RAG et une authentification. L'architecture flexible permet diverses adaptations et intégrations.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

Video Face Swap
Échangez les visages dans n'importe quelle vidéo sans effort grâce à notre outil d'échange de visage AI entièrement gratuit !

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds











Python convient à la science des données, au développement Web et aux tâches d'automatisation, tandis que C convient à la programmation système, au développement de jeux et aux systèmes intégrés. Python est connu pour sa simplicité et son écosystème puissant, tandis que C est connu pour ses capacités de contrôle élevées et sous-jacentes.

Python excelle dans les jeux et le développement de l'interface graphique. 1) Le développement de jeux utilise Pygame, fournissant des fonctions de dessin, audio et d'autres fonctions, qui conviennent à la création de jeux 2D. 2) Le développement de l'interface graphique peut choisir Tkinter ou Pyqt. Tkinter est simple et facile à utiliser, PYQT a des fonctions riches et convient au développement professionnel.

Python est plus facile à apprendre et à utiliser, tandis que C est plus puissant mais complexe. 1. La syntaxe Python est concise et adaptée aux débutants. Le typage dynamique et la gestion automatique de la mémoire le rendent facile à utiliser, mais peuvent entraîner des erreurs d'exécution. 2.C fournit des fonctionnalités de contrôle de bas niveau et avancées, adaptées aux applications haute performance, mais a un seuil d'apprentissage élevé et nécessite une gestion manuelle de la mémoire et de la sécurité.

Pour maximiser l'efficacité de l'apprentissage de Python dans un temps limité, vous pouvez utiliser les modules DateTime, Time et Schedule de Python. 1. Le module DateTime est utilisé pour enregistrer et planifier le temps d'apprentissage. 2. Le module de temps aide à définir l'étude et le temps de repos. 3. Le module de planification organise automatiquement des tâches d'apprentissage hebdomadaires.

Python est meilleur que C dans l'efficacité du développement, mais C est plus élevé dans les performances d'exécution. 1. La syntaxe concise de Python et les bibliothèques riches améliorent l'efficacité du développement. Les caractéristiques de type compilation et le contrôle du matériel de CC améliorent les performances d'exécution. Lorsque vous faites un choix, vous devez peser la vitesse de développement et l'efficacité de l'exécution en fonction des besoins du projet.

PythonlistSaReparmentofthestandardLibrary, tandis que les coloccules de colocède, tandis que les colocculations pour la base de la Parlementaire, des coloments de forage polyvalent, tandis que la fonctionnalité de la fonctionnalité nettement adressée.

Python excelle dans l'automatisation, les scripts et la gestion des tâches. 1) Automatisation: La sauvegarde du fichier est réalisée via des bibliothèques standard telles que le système d'exploitation et la fermeture. 2) Écriture de script: utilisez la bibliothèque PSUTIL pour surveiller les ressources système. 3) Gestion des tâches: utilisez la bibliothèque de planification pour planifier les tâches. La facilité d'utilisation de Python et la prise en charge de la bibliothèque riche en font l'outil préféré dans ces domaines.

Est-ce suffisant pour apprendre Python pendant deux heures par jour? Cela dépend de vos objectifs et de vos méthodes d'apprentissage. 1) Élaborer un plan d'apprentissage clair, 2) Sélectionnez les ressources et méthodes d'apprentissage appropriées, 3) la pratique et l'examen et la consolidation de la pratique pratique et de l'examen et de la consolidation, et vous pouvez progressivement maîtriser les connaissances de base et les fonctions avancées de Python au cours de cette période.
