mind x

头脑X

Mind-X 是发展最快的智能克隆人工智能，可以实时理解“我”。

该项目展示了个性化法学硕士（或 LMM）作为个人助理的可行性，与这些模式的快速发展保持同步。

我们引入了检索增强生成（RAG）方法来克服传统 Prompt-Tuning（具有上下文边界）和 Fine-Tuning（存在实时数据更新和幻觉问题）的局限性。

传统上，RAG 被用来通过 LangChain 作为存储来搜索像 Chroma 这样的数据库，但这种方法在固定的上下文中运行，这是有限制的。

因此，我们计划建立自己的RAG系统。这个过程可能涉及解决LangChain可能提供的推理和回归问题。

我们致力于快速开发，并将很快实现多语言兼容性。目前，该系统全面支持英语，计划近期支持韩语、日语等其他语言。此外，回归和推理系统也将很快被纳入。

建筑学

运行测试

要运行测试，请运行以下命令

 # 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

演示

TextVector 演示和实时 RAG（法学硕士）

最初，助手对用户一无所知。然而，用户可以实时向助手介绍自己。 （由于LLM的特点，可能会被误认为是作为对话链而不是学习来记忆的，所以是刷新后完成的。）学到的数据立即得到体现，这可以看作是助理的第一次个性化。

该项目的所有这些功能都可以在本地得到支持，无需外部云集成或互联网连接。

ImageVector 演示和异常

训练数据（非常小。仅测试）

测试数据

测试代码

 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 )

结果

接触

• 请通过 [email protected] 与我联系。
• 该项目可供所有人使用，虽然无意将其货币化，但如果您希望将其商业化或进行内部测试，请透露您的公司名称以协助我。