AI

与在其他 Nasdanika 功能之上运行的人工智能相关的内容。 具体来说，是在资源集（互连模型的集合）之上运行。 模型和资源集将 AI 组件从底层实现细节中抽象出来。

“叙述者”处理器，以多种方式描述模型元素及其关系。 例如，在示例家庭中， 具有派生关系和基于能力的推理的模型可以用来解释：

• Paul 是 Lea 的父母
• Paul 是 Lea 的父亲
• Lea 是 Paul 的孩子
• Lea 是 Paul 的女儿
• Elias 是 Lea 的兄弟姐妹
• Elias 是 Lea 的兄弟
• ...

此外，使用 EObject -> EClass 关系，可以解释 Lea 是一个女人，然后可以给出 来自元模型的女人的定义。

此文本可以添加到 Lea 的描述中。然后可以将生成的文本分块，生成嵌入，并 添加到向量存储中。 这可以用于语义搜索和 RAG，它不仅考虑语义距离，还考虑图距离。

例如，对于 Dave 上下文中的问题/聊天，来自 Elias 的语义匹配将具有 比来自 Paul 的匹配更高的权重/更小的距离。

关键组件：

• 嵌入 - 来自 OpenAI 和 Ollams
• 向量存储 - https://github.com/jelmerk/hnswlib。来自本地计算机的观察：
  • ~ 10 分钟从先前下载的 https://dl.fbaipublicfiles.com/fasttext/vectors-crawl/cc.en.300.vec.gz 加载 20 万个向量
  • ~ 2.5 Gb 索引文件
  • ~ 90 秒从文件加载索引
• 聊天完成
• CLI
  • 向量存储 mixin
  • 用于 search-documents.json 的嵌入生成器
  • 从带有或不带有嵌入的 search-documents.json 生成向量存储。全新的或添加/更新现有的
  • 语义搜索 HTTP 服务器路由
  • Chat Vuejs 组件 - 适配 https://medium.com/@alen.ajam/building-a-simple-chat-app-with-vue-js-462c4a53c6ad
  • 与站点聊天 - 同时提供静态站点和语义搜索命令，OpenAI 和 Ollama。GCP VM 上的 Docker。
  • 与模型聊天

稍后可能会有基于调用流程的代理。