带有Langchain的边缘设备上的自托管抹布应用
介绍
在我们在Raspberry Pi上构建RAG应用程序的系列文章的第二部分中，我们将在第一部分奠定的基础上扩展，在该基础上我们创建并测试了核心管道。在第一部分中，我们创建了核心管道并对其进行了测试，以确保一切按预期工作。现在，我们将通过构建FastApi应用程序来服务我们的破布管道并创建反射应用程序，从而为用户提供一种简单且交互式的方式来访问它，从而进一步迈出一步。这部分将指导您设置FastApi后端，用Reflex设计前端，并在Raspberry Pi上启动并运行所有内容。最后，您将拥有一个完整的工作应用程序，该应用程序已准备好现实使用。
学习目标
- 设置FastApi后端，以与现有的RAG管道集成并有效地查询。
- 使用Reflex设计一个用户友好的界面，以与FastApi后端和RAG管道进行交互。
- 创建和测试用于查询和文档摄入的API端点，从而确保使用FastAPI平稳操作。
- 在Raspberry Pi上部署和测试完整的应用程序，以确保后端和前端组件同时无缝函数。
- 了解FastApi和Reflex之间的集成，以获得凝聚力的RAG应用体验。
- 实施和故障排除FastApi和Reflex组件，以在Raspberry Pi上提供完全操作的抹布应用。
如果您错过了上一版，请务必在此处查看：带有Langchain和Ollama的边缘设备上的自托管破布应用程序 - 第一部分。
目录
- 创建Python环境
- 使用FastApi开发后端
- 用反射设计前端
- 测试和部署
- 常见问题
本文作为数据科学博客马拉松的一部分发表。
创建Python环境
在创建应用程序开始之前，我们需要设置环境。创建环境并安装以下依赖关系：
深石 boto3 == 1.34.144 Botocore == 1.34.144 fastapi == 0.110.3 Gunicorn == 22.0.0 httpx == 0.27.0 HuggingFace-Hub == 0.23.4 Langchain == 0.2.6 Langchain-Community == 0.2.6 兰链核== 0.2.11 Langchain-验证== 0.0.62 Langchain-Text-Splitters == 0.2.2 langsmith == 0.1.83 棉花糖== 3.21.3 numpy == 1.26.4 熊猫== 2.2.2 pydantic == 2.8.2 pydantic_core == 2.20.1 pymupdf == 1.24.7 pymupdfb == 1.24.6 python-dotenv == 1.0.1 pytz == 2024.1 pyyaml == 6.0.1 反射== 0.5.6 请求== 2.32.3 反射== 0.5.6 Reflex-hosting-cli == 0.1.13
安装了所需的软件包后，我们需要在设备中放置所需的型号。我们将使用Ollama来做到这一点。请按照本文第1部分的步骤下载语言和嵌入模型。最后，为后端和前端应用程序创建两个目录。
一旦使用Ollama拉动了模型，我们就准备构建最终应用程序。
使用FastApi开发后端
在本文的第1部分中，我们建立了具有摄入和QNA模块的抹布管道。我们已经使用一些文档对两个管道进行了测试，并且它们正常工作。现在，我们需要用FastAPI包装管道来创建易于使用的API。这将有助于我们将其与任何前端应用程序集成在一起，例如简化，链条，Gradio，Reflex，React，Angular等。让我们首先构建应用程序的结构。遵循结构是完全可选的，但是如果您遵循其他结构来创建应用程序，请确保检查依赖关系导入。
以下是我们将遵循的树结构：
后端
├ - app.py
├ - ─txt
└ - src
├─Config.py
├─doc_loader
│││─-base_loader.py
│├├前__init__.py
PDF_LOADER.PY
├─摄取
├ - __init__.py
└─QNA.PY让我们从config.py开始。该文件将包含应用程序的所有可配置选项，例如Ollama URL，LLM名称和嵌入式模型名称。以下是一个示例：
lanking_model_name =“ phi3” embeddings_model_name =“ nomic-embed-text” Ollama_url =“ http：// localhost：11434”
base_loader.py文件包含由孩子Document Loader继承的父文档加载程序类。在此应用程序中，我们仅使用PDF文件，因此Child PDFLoader类将是
创建将继承基本负载类。
以下是base_loader.py和pdf_loader.py的内容：
＃base_loader.py
来自ABC Import ABC，AbstractMethod
班级加载工（ABC）：
def __init __（self，file_path：str） - >无：
self.file_path = file_path
@AbstractMethod
异步def load_document（self）：
经过
＃pdf_loader.py
导入操作系统
来自.base_loader导入基本负载器
来自langchain.schema导入文档
来自langchain.document_loaders.pdf导入pymupdfloader
来自langchain.text_splitter导入tarnextsplitter
PDFLOADER类（基本负载器）：
def __init __（self，file_path：str） - >无：
super（）.__ INT __（file_path）
异步def load_document（self）：
self.file_name = os.path.basename（self.file_path）
loader = pymupdfloader（file_path = self.file_path）
text_splitter = partinextsplitter（
saparator =“ \ n”，
chunk_size = 1000，
chunk_overlap = 200，
）
页面=等待loader.aload（）
total_pages = len（页）
块= []
对于IDX，枚举（页）中的页面：
chunks.append（
文档（
page_content = pag.page_content，
元数据= dict（
{
“ file_name”：self.file_name，
“ page_no”：str（idx 1），
“ total_pages”：str（total_pages），
}
），
）
）
final_chunks = text_splitter.split_documents（块）
返回final_chunks我们已经在文章的第1部分中讨论了PDF_LOADER的工作。
接下来，让我们构建摄入类。这与我们在本文第1部分中构建的那个相同。
摄入的代码
导入操作系统
导入config作为CFG
来自Pinecone Import Pinecone
来自langchain.Vectorstores.Deeplake Import Deeplake
来自langchain.embeddings.ollama进口Ollamaembeddings
来自.doc_loader导入pdfloader
类摄入：
“”“记录摄入管道。”“”
def __init __（自我）：
尝试：
self.embeddings = ollamaembeddings（
型号= cfg.embeddings_model_name，
base_url = cfg.ollama_url，
show_progress = true，
）
self.vector_store = deeplake（
dataset_path =“ data/text_vectorstore”，
嵌入= self.embeddings，
num_workers = 4，
冗长= false，
）
除例外为E：
提高RuntimeError（F“无法初始化摄入系统。错误：{e}”）
异步def create_and_add_embeddings（
自己，
文件：str，，
）：
尝试：
loader = pdfloader（
file_path =文件，
）
块=等待loader.load_document（）
size =等待self.vector_store.aadd_documents（documents =块）
返回Len（尺寸）
除（valueerror，runtimeerror，keyError，typeError）作为e：
提高异常（f“错误：{e}”）现在，我们已经设置了摄入类，我们将继续创建QNA类。这也与我们在本文第1部分中创建的那个相同。
QNA类代码
导入操作系统
导入config作为CFG
来自Pinecone Import Pinecone
来自langchain.Vectorstores.Deeplake Import Deeplake
来自langchain.embeddings.ollama进口Ollamaembeddings
来自langchain_community.llms.ollama import ollama
来自.doc_loader导入pdfloader
QNA类：
“”“记录摄入管道。”“”
def __init __（自我）：
尝试：
self.embeddings = ollamaembeddings（
型号= cfg.embeddings_model_name，
base_url = cfg.ollama_url，
show_progress = true，
）
self.model = ollama（
型号= cfg.language_model_name，
base_url = cfg.ollama_url，
详细= true，
温度= 0.2，
）
self.vector_store = deeplake（
dataset_path =“ data/text_vectorstore”，
嵌入= self.embeddings，
num_workers = 4，
冗长= false，
）
self.triever = self.vector_store.as_retriever（
search_type =“相似性”，
search_kwargs = {
“ K”：10，
}，，
）
除例外为E：
提高RuntimeError（F“无法初始化摄入系统。错误：{e}”）
def create_rag_chain（self）：
尝试：
system_prompt =“”“”
”“”
提示= chatprompttemplate.from_messages（
[
（“系统”，system_prompt），
（“人类”，“ {input}”），
这是给出的
）
Question_answer_chain = create_stuff_documents_chain（self.model，提示）
rag_chain = create_retrieval_chain（self.triever，Question_answer_chain）
返回rag_chain
除例外为E：
提高RuntimeError（F“无法创建检索链。错误：{e}”）这样，我们已经完成了创建RAG应用程序的代码功能。现在，让我们用fastapi包装该应用程序。
FastAPI应用程序的代码
导入系统
导入操作系统
导入紫外线
从SRC进口QNA摄入
来自FastAPI Import FastApi，请求，文件，uploadfile
来自fastapi.Respons import streamResponse
app = fastapi（）
摄入=摄入（）
chatbot = qna（）
rag_chain = chatbot.create_rag_chain（）
@app.get（“/”）
def hello（）：
返回{“消息”：“在服务器8089中运行的API}
@app.post（“/query”）
异步def ask_query（请求：请求）：
data =等待请求.json（）
问题= data.get（“问题”）
异步def event_generator（）：
对于rag_chain.pick中的块（“答案”）。
产生块
返回streamingresponse（event_generator（），媒体_type =“ text/plain”）
@app.post（“/ingest”）
异步def ingest_document（文件：uploadfile = file（...））：
尝试：
os.makedirs（“文件”，equent_ok = true）
file_location = f“ files/{file.filename}”
使用file_object的打开（file_location，“ wb”）：
file_object.write（file.file.read（））
size =等待摄入.create_and_add_embeddings（file = file_location）
返回{“消息”：f“摄入文件！文档计数：{size}”}
除例外为E：
返回{“消息”：f“发生错误：{e}”}
如果__name__ ==“ __ -main __”：
尝试：
uvicorn.run（app，host =“ 0.0.0.0”，端口= 8089）
除了键盘间断为E：
打印（“应用程序停止！”）让我们通过每个端点分解应用程序：
- 首先，我们初始化FastApi应用程序，摄入和QNA对象。然后，我们使用QNA类的create_rag_chain方法创建一个抹布链。
- 我们的第一个终点是一个简单的获取方法。这将有助于我们知道该应用是否健康。将其视为“ Hello World”终点。
- 第二个是查询端点。这是一种帖子方法，将用于运行链条。它采用一个请求参数，我们从中提取用户的查询。然后，我们创建了一种异步方法，该方法在链条函数呼叫周围充当异步包装器。我们需要这样做，以允许FastApi处理LLM的流函数调用，以在聊天界面中获得类似ChatGpt的体验。然后，我们将异步方法与StreamResponse类包装并返回。
- 第三端点是摄入端点。这也是一种帖子方法，将整个文件作为输入作为字节。我们将此文件存储在本地目录中，然后使用摄入类的create_and_add_embeddings方法摄入。
最后，我们使用主机和端口使用Uvicorn软件包运行该应用程序。要测试应用程序，只需使用以下命令运行应用程序：
python app.py
使用Postman，失眠或Bruno等API测试IDE测试应用程序。您也可以使用Thunder Client Extension进行相同的操作。
测试摄入端点：
测试查询端点：
用反射设计前端
我们已经成功创建了一个用于后端的FastApi应用程序。是时候建立我们的前端了。您可以为此选择任何前端库，但是对于本文，我们将使用Reflex构建前端。 Reflex是一个仅使用Python的前端库，纯粹是使用Python构建Web应用程序的。它通过用于计算器，图像生成和聊天机器人等常见应用程序的模板证明了我们。我们将使用聊天机器人应用模板作为用户界面的启动。我们的最终应用程序将具有以下结构，因此让我们在此处参考。
前端目录
我们将拥有一个前端目录：
前端 ├ - 资产 │└└前favicon.ico ├ - 文档 │└ - emo.gif ├ - 聊天 组件 ││││站 │││├站file_upload.py ││├ - __init__.py ││││─..poting_icon.py │││├站 Navbar.py │├├前__init__.py Chat.py sate.py ├ - ─txt ├─-rxConfig.py └ - 上传_files
最终应用程序的步骤
按照步骤准备最终应用程序的接地。
步骤1：在前端目录中克隆聊天模板存储库
git克隆https://github.com/reflex-dev/reflex-chat.git。
步骤2：运行以下命令将目录初始化为反射应用
Reflex Init
这将设置Reflex应用程序，并准备好运行和开发。
步骤3：测试应用程序，使用从前端目录内部的以下命令
反射运行
让我们开始修改组件。首先，让我们修改chat.py文件。
以下是相同的代码：
导入反射为Rx
来自reflex_demo.com import incort loading_icon
来自reflex_demo.State Import QA，状态
messages_style = dict（dict）（
display =“ inline-block”，
填充=“ 0 10px”，
border_radius =“ 8px”，
max_width = [“ 30em”，“ 30em”，“ 50em”，“ 50em”，“ 50em”，“ 50em”]，
）
DEF消息（QA：QA） - > rx.component：
“”“一个问题/答案消息。
args：
QA：问题/答案对。
返回：
显示问题/答案对的组件。
”“”
返回rx.box（
rx.box（
rx.markdown（
QA.问题，
background_color = rx.color（“淡紫色”，4），，
color = rx.color（“淡紫色”，12），
** Message_Style，
），
text_align =“ right”，
margin_top =“ 1em”，
），
rx.box（
rx.markdown（
QA.ANSWER，
background_color = rx.Color（“ Accent”，4），，
color = rx.Color（“ Accent”，12），
** Message_Style，
），
text_align =“左”，
padding_top =“ 1em”，
），
宽度=“ 100％”，
）
def chat（） - > rx.component：
“”“列出单个对话中的所有消息。”“”
返回rx.vstack（
rx.box（rx.foreach（state.chats [state.current_chat]，消息），width =“ 100％”），
py =“ 8”，
flex =“ 1”，
宽度=“ 100％”，
max_width =“ 50em”，
padding_x =“ 4px”，
align_self =“中心”，
溢出=“隐藏”，
padding_bottom =“ 5em”，
）
def Action_bar（） - > rx.component：
”“”“动作栏发送新信息。”“”
返回rx.center（
rx.vstack（
rx.chakra.form（
rx.chakra.form_control（
rx.hstack（
rx。输入（
rx.input.slot（
rx.tooltip（
rx.icon（“ info”，size = 18），
content =“输入一个问题以获取答复。”，，
）
），
占位符=“键入某物...”，
，，，，
width = [“ 15em”，“ 20em”，“ 45em”，“ 50EM”，“ 50EM”，“ 50EM”]，
），
rx.button（
rx.cond（
state.processing，
loading_icon（高度=“ 1em”），
rx.text（“ send”，font_family =“ ubuntu”），
），
type =“提交”，
），
align_items =“中心”，
），
is_disabled = state.processing，
），
on_submit = state.process_question，
reset_on_submit = true，
），
rx.text（
“反射可能会返回事实不正确或误导性响应。使用酌处权。”，
text_align =“中心”，
font_size =“。75EM”，
color = rx.Color（“淡紫色”，10），
font_family =“ ubuntu”，
），
rx.logo（margin_top =“ - 1em”，margin_bottom =“ - 1em”），
align_items =“中心”，
），
位置=“粘性”，
底部=“ 0”，
左=“ 0”，
padding_y =“ 16px”，
backdrop_filter =“自动”，
backdrop_blur =“ lg”，
border_top = f“ 1px solid {rx.color（'mauve'，3）}”，
background_color = rx.color（“淡紫色”，2），
align_items =“ stract”，
宽度=“ 100％”，
）这些变化是从模板中本地存在的最小化。
接下来，我们将编辑chat.py应用程序。这是主要的聊天组件。
主聊天组件的代码
以下是它的代码：
导入反射为Rx
来自reflex_demo.com.ponents导入聊天，navbar，upload_form
来自reflex_demo.State Extiment State
@rx.page（路由=“/chat”，title =“ rag chatbot”）
def chat_interface（） - > rx.component：
返回rx.chakra.vstack（
navbar（），
chat.chat（），
chat.action_bar（），
background_color = rx.color（“淡紫色”，1），
color = rx.color（“淡紫色”，12），
min_height =“ 100VH”，
align_items =“ stract”，
间距=“ 0”，
）
@rx.page（route =“/”，title =“ rag chatbot”）
def index（） - > rx.component：
返回rx.chakra.vstack（
navbar（），
upload_form（），
background_color = rx.color（“淡紫色”，1），
color = rx.color（“淡紫色”，12），
min_height =“ 100VH”，
align_items =“ stract”，
间距=“ 0”，
）
＃将状态和页面添加到应用程序。
app = rx.app（
主题= rx.theme（
外观=“黑暗”，
accent_color =“玉”，
），
stylesheets = [“ https://fonts.googleapis.com/css2?family=ubuntu&display=swap”]，
样式= {
“ font_family”：“ ubuntu”，
}，，
）
app.add_page（索引）
app.add_page（chan_interface）这是聊天接口的代码。我们仅将字体系列添加到应用程序配置中，其余代码是相同的。
接下来，让我们编辑state.py文件。这是前端将呼叫API端点以进行响应的地方。
编辑状态.py文件
导入请求
导入反射为Rx
QA类（RX.BASE）：
问题：str
答案：str
default_chats = {
“ intros”：[]，
}
班级状态（rx.state）：
聊天：dict [str，list [qa]] = default_chats
current_chat =“ intros”
URL：str =“ http：// localhost：8089/query”
问题：str
处理：bool = false
new_chat_name：str =“”
def create_chat（self）：
“”“创建新聊天。”“”
＃将新聊天添加到聊天列表中。
self.current_chat = self.new_chat_name
self.chats [self.new_chat_name] = []
Def Delete_chat（self）：
“”“删除当前聊天。”“”
del self.chats [self.current_chat]
如果len（self.chats）== 0：
self.chats = default_chats
self.current_chat = list（self.chats.keys（））[0]
def set_chat（self，chat_name：str）：
“”“设置当前聊天的名称。
args：
chat_name：聊天的名称。
”“”
self.current_chat = chat_name
@rx.var
def chat_titles（self） - > list [str]：
“”“获取聊天标题的列表。
返回：
聊天名称列表。
”“”
返回列表（self.chats.keys（））
异步def process_question（self，form_data：dict [str，str]）：
＃从表格中获取问题
问题= form_data [“问题”]
＃检查问题是否为空
如果问题==“”：
返回
型号= self.openai_process_question
在模型中的价值异步（问题）：
产量值
异步def openai_process_question（自我，问题：str）：
“”“从API获取响应。
args：
form_data：一个带有当前问题的dict。
”“”
＃将问题添加到问题列表中。
QA = QA（问题=问题，答案=“”）
self.chats [self.current_chat] .append（QA）
有效载荷= {“问题”：问题}
＃清除输入并开始处理。
self.processing = true
屈服
响应= requests.post（self.url，json =有效载荷，流= true）
＃流式传输结果，在每个单词之后产生。
for Answers_text in enthys.iter_content（chunk_size = 512）：
＃确保答案_text在串联之前不是没有
答案_text = wherme_text.decode（）
如果答案_text不是没有：
self.Chats [self.current_chat] [ - 1] .answer = answers_text
别的：
答案_text =“”
self.Chats [self.current_chat] [ - 1] .answer = answers_text
self.chats = self.chats
屈服
＃切换处理标志。
self.processing = false在此文件中，我们为查询端点定义了URL。我们还修改了OpenAI_Process_Question方法，以将邮政请求发送到查询端点并获取流媒体
响应，将显示在聊天接口中。
编写file_upload.py文件的内容
最后，让我们编写file_upload.py文件的内容。此组件将在开头显示，这将使我们可以上传文件以进行摄入。
导入反射为Rx
导入操作系统
进口时间
导入请求
类uploadexample（rx.state）：
上传：bool = false
摄入：bool = false
进度：int = 0
total_bytes：int = 0
ingestion_url =“ http://127.0.0.1:8089/ingest”
async def handle_upload（self，files：list [rx.uploadfile]）：
self.ingesting = true
屈服
用于文件中的文件：
file_bytes =等待file.read（）
file_name = file.filename
文件= {
“文件”：（OS.Path.BasEname（file_name），file_bytes，“ multipart/form-data”）
}
响应= requests.post（self.ingestion_url，files = files）
self.ingesting = false
屈服
如果响应。STATUS_CODE== 200：
＃屈服rx.redirect（“/chat”）
self.show_redirect_popup（）
def handle_upload_progress（自我，进度：dict）：
self.uploading = true
self.progress = rough（进度[“进度”] * 100）
如果self.progress> = 100：
self.uploading = false
def cancel_upload（self）：
self.uploading = false
返回rx.cancel_upload（“ upload3”）
def upload_form（）：
返回rx.vstack（
rx.upload（
rx.Flex（
rx.text（
“在这里拖放文件或单击以选择文件”，
font_family =“ ubuntu”，
），
rx.icon（“上传”，大小= 30），
方向=“列”，
align =“中心”，
），
，，，，
border =“ 1px固体RGB（233，233,233，0.4）”，
margin =“ 5em 0 10px 0”，
Background_Color =“ RGB（107,99,246）”，
border_radius =“ 8px”，
填充=“ 1em”，
），
rx.vstack（rx.foreach（rx.selected_files（“ upload3”），rx.text）），），），），
rx.cond（
〜uploadexample。
rx.button（
“上传”，
on_click = uploadexample.handle_upload（
rx.upload_files（
上传_，
on_upload_progress = uploadexample.handle_upload_progress，
），
），
），
rx.Flex（
rx.spinner（size =“ 3”，加载= uploadexample.ingesting），
rx.button（
“取消”，
on_click = uploadexample.cancel_upload，
），
align =“中心”，
间距=“ 3”，
），
），
rx.alert_dialog.root（
rx.alert_dialog.trigger（
rx.button（“继续聊天”，color_scheme =“ green”），
），
rx.alert_dialog.content（
rx.alert_dialog.title（“重定向聊天接口？”），），
rx.alert_dialog.Description（
“您将被重定向到聊天界面。”
尺寸=“ 2”，
），
rx.Flex（
rx.alert_dialog.cancel（
rx.button（
“取消”，
变体=“软”，
color_scheme =“灰色”，
），
），
rx.alert_dialog.Action（
rx.button（
“继续”，
color_scheme =“绿色”，
变体=“固体”，
on_click = rx.redirect（“/chat”），
），
），
间距=“ 3”，
margin_top =“ 16px”，
Justify =“ End”，
），
样式= {“ max_width”：450}，
），
），
align =“中心”，
）此组件将允许我们上传文件并将其摄入矢量存储。它使用我们的FastApi应用程序的摄入端点上传和摄入文件。摄入后，用户可以简单地移动
到聊天界面询问查询。
这样，我们已经完成了为我们的应用程序构建前端。现在，我们需要使用一些文档来测试应用程序。
测试和部署
现在，让我们在某些手册或文档上测试应用程序。要使用该应用程序，我们需要单独运行后端应用程序和Reflex应用程序。使用该目录运行后端应用
以下命令：
python app.py
等待FastApi开始运行。然后在另一个终端实例中使用以下命令运行前端应用：
反射运行
应用程序正在启动和运行，到达以下URL访问Reflex应用程序。最初，我们将在文件上传页面中。上传文件，然后按“上传”按钮。
该文件将上传并摄入。这将需要一段时间，具体取决于文档的大小和
设备规格。完成后，单击“继续聊天”按钮以移至聊天接口。编写您的查询，然后按发送。
结论
在Thistwo Parteries中，您现在您在Raspberry Pi上构建了一个完整且功能上功能的RAG应用程序，从创建核心管道到用FastApi后端包装并开发基于反射的前端。借助这些工具，您的破布管道是可访问且交互式的，可通过用户友好的Web界面提供实时查询处理。通过掌握这些步骤，您在紧凑，高效的平台上构建和部署端到端应用程序方面获得了宝贵的经验。这种设置为在Raspberry Pi（例如Raspberry Pi）上部署AI驱动应用程序的无数可能性打开了大门，这使得最先进的技术更容易访问和实用。
关键要点
- 提供了有关设置开发环境的详细指南，包括使用Ollama安装必要的依赖项和模型，以确保该应用程序已准备好最终构建。
- 本文解释了如何将RAG管道包裹在FastAPI应用程序中，包括设置查询模型和摄入文档的终点，使该管道可以通过Web API访问。
- RAG应用程序的前端是使用Reflex（仅Python的前端库Reflex构建的。本文演示了如何修改聊天应用程序模板以创建用于与RAG管道进行交互的用户友好界面。
- 本文指南将FastAPI后端与反射前端集成在一起，并在Raspberry Pi上部署完整的应用程序，以确保无缝操作和用户可访问性。
- 提供了使用Postman或Thunder Client等工具来测试摄入和查询端点的实用步骤，同时运行和测试反射前端，以确保整个应用程序按预期功能。
常见问题
问题1：如何使自己可以从世界任何地方访问该应用程序而不会损害安全性？答：有一个名为TailScale的平台，允许您的设备连接到私人安全网络，仅可访问您。您可以将Raspberry Pi和其他设备添加到尾部设备中，并连接到VPN以访问您的应用程序。
Q2：我的摄入和QNA的应用非常慢。答：由于覆盆子PI的硬件规格较低，这是限制。这篇文章只是有关如何使用Raspberry Pi和Ollama构建RAG应用程序的主题教程。
本文所示的媒体不由Analytics Vidhya拥有，并由作者酌情使用。
以上是带有Langchain的边缘设备上的自托管抹布应用的详细内容。更多信息请关注PHP中文网其他相关文章！
热AI工具
Undresser.AI Undress
人工智能驱动的应用程序，用于创建逼真的裸体照片
AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。
Undress AI Tool
免费脱衣服图片
Clothoff.io
AI脱衣机
Video Face Swap
使用我们完全免费的人工智能换脸工具轻松在任何视频中换脸！
热门文章
热工具
记事本++7.3.1
好用且免费的代码编辑器
SublimeText3汉化版
中文版，非常好用
禅工作室 13.0.1
功能强大的PHP集成开发环境
Dreamweaver CS6
视觉化网页开发工具
SublimeText3 Mac版
神级代码编辑软件(SublimeText3)
如何使用AGNO框架构建多模式AI代理？
Apr 23, 2025 am 11:30 AM
在从事代理AI时，开发人员经常发现自己在速度，灵活性和资源效率之间进行权衡。我一直在探索代理AI框架，并遇到了Agno（以前是Phi-
OpenAI以GPT-4.1的重点转移，将编码和成本效率优先考虑
Apr 16, 2025 am 11:37 AM
该版本包括三种不同的型号，GPT-4.1，GPT-4.1 MINI和GPT-4.1 NANO，标志着向大语言模型景观内的特定任务优化迈进。这些模型并未立即替换诸如
如何在SQL中添加列？ - 分析Vidhya
Apr 17, 2025 am 11:43 AM
SQL的Alter表语句：动态地将列添加到数据库 在数据管理中，SQL的适应性至关重要。 需要即时调整数据库结构吗？ Alter表语句是您的解决方案。本指南的详细信息添加了Colu
火箭发射模拟和分析使用Rocketpy -Analytics Vidhya
Apr 19, 2025 am 11:12 AM
模拟火箭发射的火箭发射：综合指南 本文指导您使用强大的Python库Rocketpy模拟高功率火箭发射。 我们将介绍从定义火箭组件到分析模拟的所有内容
DeepCoder-14b：O3-Mini和O1的开源竞赛
Apr 26, 2025 am 09:07 AM
在AI社区的重大发展中，Agentica和AI共同发布了一个名为DeepCoder-14B的开源AI编码模型。与OpenAI等封闭源竞争对手提供代码生成功能
提示：chatgpt生成假护照
Apr 16, 2025 am 11:35 AM
Chip Giant Nvidia周一表示，它将开始制造AI超级计算机（可以处理大量数据并运行复杂算法的机器），完全是在美国首次在美国境内。这一消息是在特朗普总统SI之后发布的
盖伊·佩里（Guy Peri）通过数据转换帮助麦考密克的未来
Apr 19, 2025 am 11:35 AM
盖伊·佩里（Guy Peri）是麦考密克（McCormick）的首席信息和数字官。尽管他的角色仅七个月，但Peri正在迅速促进公司数字能力的全面转变。他的职业生涯专注于数据和分析信息
跑道AI的Gen-4：AI蒙太奇如何超越荒谬
Apr 16, 2025 am 11:45 AM
从数字营销到社交媒体的所有创意领域，电影业都站在技术十字路口。随着人工智能开始重塑视觉讲故事的各个方面并改变娱乐的景观
