一. 环境介绍
高性能应用服务 HAI 拥有丰富的预装应用，可以将开源社区的前沿模型快速转化为您专有的部署实践，一键拉起，即开即用。现已支持在HAI购买页的社区应用中，找到Llama 3.1等应用的入口，简单选型后，即可一键启动推理服务。
Chatchat项目介绍
该项目利用langchain思想，实现了基于本地知识库的问答应用。支持市面上主流的开源 LLM、 Embedding 模型与向量数据库，可实现全部使用开源模型离线私有部署。与此同时，该项目也支持 OpenAI GPT API 的调用。
项目的实现原理如下图所示，过程包括加载文件 -> 读取文本 -> 文本分割 -> 文本向量化 -> 问句向量化 -> 在文本向量中匹配出与问句向量最相似的 top k个 -> 匹配出的文本作为上下文和问题一起添加到 prompt中 -> 提交给 LLM生成回答。
部署完成的效果展示
二. 使用说明
1. 进入HAI购买页，选择“Langchain-Chatchat-llama3.1”社区应用并创建实例。实例创建完成后，点击算力连接方式，选择jupyterlab并进入terminal，将下方的代码复制粘贴到terminal中，按回车执行。当看到下图所示内容后，代表应用启动完成。
代码语言：javascript复制export CHATCHAT_ROOT=/root/chatchat_data
chatchat init
chatchat kb -r
chatchat start -a
2. 使用实例公网ip，代替URL中的0.0.0.0，粘贴到导航栏即可访问。可按需上传本地的文件进行问答交互。
附录：在HAI上用llama3.1的几种姿势
模型测试
可以基于HAI中基础的llama3.1环境，快速测试模型问答性能。
微调（Fine-tuning）
通过在特定任务或领域的数据上进一步训练llama3.1模型，使其更适合特定应用。例如，可以使用特定领域的文本数据来微调模型，使其在该领域的表现更好。
挂载RAG（Retrieval-Augmented Generation）
结合信息检索技术和生成技术，使模型在回答问题时可以检索到相关的信息并生成更准确的回答。这种方法通常用于需要实时或准确信息的任务。
集成外部知识库
将模型与外部知识库（如知识图谱）结合，使其能够利用结构化数据提供更准确和全面的回答。
更多
基于llama3.1开发agent，以api的形式在HAI中部署，并接入您的app，助力应用开发。
