在这里，我们很高兴向您呈现一份从0到1构建集成RAG（Retrieval-Augmented Generation）、微调技术及思维链功能的LLM（Large Language Model）应用程序的实践研究。我们的目标是通过这份研究，为您提供有价值的参考与指导。
运行ingest.py脚本，用于搭建应用系统所需的知识库。您可在config文件中设定以下参数：
- 知识文件路径：指定用于构建知识库的数据源位置。
- embedding模型：选择适用的嵌入模型以辅助知识库构建。
进入API文件夹，挑选您偏好的系列模型，如qwen或chatglm。这些模型的API调用代码可分别在其官方仓库中获取。若上述资源无法使用，可考虑采用ollama作为备选。
提示：如需启用query-expansion功能，建议启动两个不同规模的模型，例如一个7b参数量的模型与一个14b参数量的模型，以实现更好的效果。
在成功配置并启动服务后，进行适当的测试以验证应用程序的运行状态与功能完整性。
如需部署Web界面供用户交互，直接执行Chat文件夹下的app.py脚本。在此之前，请确保已正确配置所有相关参数。
如需直接评估数据，运行RAG目录下的build_ragas_data_full.py脚本，该脚本将帮助您执行完整的评估流程。
** 📚 后续更新 📚 **：以上仅为现阶段的主要步骤与说明，未来如有更多实践经验或重要提示，我们将及时补充。
** 💻 硬件配置与依赖 💻 **：
- 显卡型号：本项目采用NVIDIA A100进行开发与测试。
- 库文件：所有必要的库及其版本要求已列出于
requirements.txt文件中。请确保环境依照此文件进行配置以确保项目的顺利运行。
如果您有任何创意想法或是遇到疑问，非常期待与您深入交流！随时欢迎通过以下方式联系我们：
- QQ: 2746992517
让我们一起在知识的海洋中航行，共同探讨，共同进步！🤝
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent