mind x

مايند-X

Mind-X هو Smart CloneAI الأسرع نموًا والذي يفهم "أنا" في الوقت الفعلي.

يوضح هذا المشروع جدوى LLMs (أو LMMs) الشخصية كمساعدين شخصيين، لمواكبة النمو السريع لهذه النماذج.

لقد قدمنا ​​طريقة إنشاء الاسترجاع المعزز (RAG) للتغلب على قيود الضبط الفوري التقليدي، الذي له حدود للسياق، والضبط الدقيق، الذي يعاني من مشكلات تتعلق بتحديث البيانات في الوقت الفعلي والهلوسة.

تقليديًا، تم استخدام RAG للبحث في قواعد البيانات مثل Chroma عبر LangChain كمخزن، ولكن هذه الطريقة تعمل ضمن سياقات ثابتة، وهو ما يحد.

ولذلك، فإننا نخطط لبناء نظام RAG الخاص بنا. قد تتضمن هذه العملية معالجة مشكلات الاستدلال والانحدار التي قد تقدمها LangChain.

نحن ملتزمون بالتطور السريع وسنعمل قريبًا على تمكين التوافق متعدد اللغات. حاليًا، يدعم النظام اللغة الإنجليزية بشكل كامل، مع وجود خطط لدعم اللغات الكورية واليابانية وغيرها من اللغات قريبًا. بالإضافة إلى ذلك، سيتم أيضًا دمج أنظمة الانحدار والاستدلال قريبًا.

بنيان

تشغيل الاختبارات

لإجراء الاختبارات، قم بتشغيل الأمر التالي

 # start embeddings server
  cd embd & pip install -r requirements.txt
  python app.py

# start mindx-v server (vector-database)
# not using cgo, only assembly
cd mindx-v & go run cmd/mxvd/main.go

# start processor server
cd processor & go run cmd/main.go

# start demo client
cd sample_client & npm start

تجريبي

عرض توضيحي لـ TextVector وRAG في الوقت الفعلي مع LLM

في البداية، المساعد لا يعرف شيئا عن المستخدم. ومع ذلك، يمكن للمستخدمين تعليم المساعد عن أنفسهم في الوقت الفعلي. (نظرًا لخصائص LLM، قد يساء فهم أنه تم تذكرها كسلسلة محادثة بدلاً من التعلم، لذلك تم ذلك بعد التحديث.) انعكست البيانات التي تم تعلمها على الفور، ويمكن اعتبار ذلك أول تخصيص للمساعد.

يمكن دعم كل ميزات المشروع هذه محليًا دون الحاجة إلى تكامل سحابي خارجي أو اتصال بالإنترنت.

عرض ImageVector والشذوذ

بيانات التدريب (صغيرة جدًا. اختبار فقط)

بيانات الاختبار

رمز الاختبار

 query = protobuf . search_pb2 . SearchRequest (
            dataset_id = dataset_id ,
            query = get_image_embedding ( "./test_data/bad.png" ),
            k = 1
        )
        results = search . Search ( query )
        try :
            for result in results :
                print ( "Search result:" , result . id , result . metadata , result . score )
        except grpc . RpcError as e :
            print ( "Search failed:" , e )
        query = protobuf . search_pb2 . SearchRequest (
            dataset_id = dataset_id ,
            query = get_image_embedding ( "./test_data/good.png" ),
            k = 1
        )
        results = search . Search ( query )
        try :
            for result in results :
                print ( "Search result:" , result . id , result . metadata , result . score )
        except grpc . RpcError as e :
            print ( "Search failed:" , e )

نتيجة

اتصال

• الرجاء الاتصال بي على [email protected].
• هذا المشروع متاح للجميع للاستخدام، وعلى الرغم من عدم وجود نية لتحقيق الدخل منه، إذا كنت ترغب في تسويقه تجاريًا أو إجراء اختبار داخلي، فيرجى الكشف عن اسم شركتك لمساعدتي.