本项目设计目标为实现针对特定环境的高效内容生成,同时考虑个人和中小企业的计算资源局限性,以及知识安全和私密性问题。为达目标,平台化集成了以下能力:
chatGLM-6B\chatGLM2-6B
、chatRWKV
、llama系列(不推荐中文用户)
、moss(不推荐)
、baichuan(需配合lora使用,否则效果差)
、Aquila-7B
、InternLM
,在线API访问openai api
和chatGLM-130b api
。交流QQ群:LLM使用和综合讨论群162451840
;知识库使用讨论群241773574(已满,请去QQ频道讨论)
;Auto开发交流群744842245
;QQ频道
功能 | 多用户并行 | 流式输出 | CPU | GPU | 量化 | 外挂LoRa |
---|---|---|---|---|---|---|
chatGLM-6B/chatGLM2-6B | √ | √ | 需安装编译器 | √ | 预先量化和在线量化 | √ |
RWKV torch | √ | √ | √ | √ | 预先量化和在线量化 | |
RWKV.cpp | √ | √ | 可用指令集加速 | 预先量化 | ||
Baichuan-7B | √ | √ | √ | √ | √ | |
Baichuan-7B (GPTQ) | √ | √ | √ | 预先量化 | ||
Aquila-7B | 官方未实现 | √ | √ | |||
replit | √ | √ | ||||
chatglm130b api | √ | |||||
openai api | √ | √ | ||||
llama.cpp | √ | √ | 可用指令集加速 | 预先量化 | ||
llama torch | √ | √ | √ | √ | 预先量化和在线量化 | |
InternLM | √ | √ | √ | √ | 在线量化 |
https://pan.baidu.com/s/1idvot-XhEvLLKCbjDQuhyg?pwd=wdai
链接:https://pan.quark.cn/s/c4cb08de666e 提取码:4b4R
默认参数在6G显存设备上运行良好。最新版懒人版已集成一键更新功能,建议使用前更新。
使用步骤(以glm6b模型为例):
CUDA11.8
,从网盘下载并安装。运行GLM6B.bat
。PS:一定要看example.config.yml,里面对各功能有更详细的说明!!!
通用依赖:pip install -r requirements/requirements.txt
根据使用的 知识库进行相应配置
根据需要,下载对应模型。
建议使用chatRWKV的RWKV-4-Raven-7B-v11,或chatGLM-6B。
把example.config.yml重命名为config.yml
,根据里面的参数说明,填写你的模型下载位置等信息
auto功能通过JavaScript脚本实现,使用油猴脚本或直接放到autos
目录的方式注入至程序,为闻达附加各种自动化功能。
函数 (皆为异步调用) | 功能 | 说明 |
---|---|---|
send(s,keyword = "",show=true) | 发送信息至LLM,返回字符串为模型返回值 | s:输入模型文本;keyword:聊天界面显示文本;show:是否在聊天界面显示 |
add_conversation(role, content) | 添加会话信息 | role:'AI'、'user';content:字符串 |
save_history() | 保存会话历史 | 对话完成后会自动保存,但手动添加的对话须手动保存 |
find(s, step = 1) | 从知识库查找 | 返回json数组 |
find_dynamic(s,step=1,paraJson) | 从动态知识库查找;参考闻达笔记Auto | paraJson:{libraryStategy:"sogowx:3",maxItmes:2} |
zsk(b=true) | 开关知识库 | |
lsdh(b=true) | 开关历史对话 | 打开知识库时应关闭历史 |
speak(s) | 使用TTS引擎朗读文本。 | 调用系统引擎 |
copy(s) | 使用浏览器clipboard-write 复制文本 |
需要相关权限 |
在左侧功能栏添加内容:
func.push({
name: "名称",
question: async () => {
let answer=await send(app.question)
alert(answer)
},
})
在下方选项卡添加内容:
app.plugins.push({ icon: 'note-edit-outline', url: "/static/wdnote/index.html" })
在指定RTST知识库查找:
find_in_memory = async (s, step, memory_name) => {
response = await fetch("/api/find_rtst_in_memory", {
method: 'post',
body: JSON.stringify({
prompt: s,
step: step,
memory_name: memory_name
}),
headers: {
'Content-Type': 'application/json'
}
})
let json = await response.json()
console.table(json)
app.zhishiku = json
return json
}
上传至指定RTST知识库:
upload_rtst_zhishiku = async (title, txt,memory_name) => {
response = await fetch("/api/upload_rtst_zhishiku", {
method: 'post',
body: JSON.stringify({
title: title,
txt: txt,
memory_name: memory_name
}),
headers: { 'Content-Type': 'application/json' }
})
alert(await response.text())
}
保存指定RTST知识库:
save_rtst = async (memory_name) => {
response = await fetch("/api/save_rtst_zhishiku", {
method: 'post',
body: JSON.stringify({
memory_name: memory_name
}),
headers: { 'Content-Type': 'application/json' }
})
alert(await response.text())
}
访问SD_agent:
response = await fetch("/api/sd_agent", {
method: 'post',
body: JSON.stringify({
prompt: `((masterpiece, best quality)), photorealistic,` + Q,
steps: 20,
// sampler_name: "DPM++ SDE Karras",
negative_prompt: `paintings, sketches, (worst quality:2), (low quality:2), (normal quality:2), lowres, normal quality, ((monochrome)), ((grayscale)), skin spots, acnes, skin blemishes, age spot, glans`
}),
headers: {
'Content-Type': 'application/json'
}
})
try {
let json = await response.json()
add_conversation("AI", '![](data:image/png;base64,' + json.images[0] + ")")
} catch (error) {
alert("连接SD API失败,请确认已开启agents库,并将SD API地址设置为127.0.0.1:786")
}
文件名 | 功能 |
---|---|
0-write_article.js | 写论文:根据题目或提纲写论文 |
0-zsk.js | 知识库增强和管理 |
face-recognition.js | 纯浏览器端人脸检测:通过识别嘴巴开合,控制语音输入。因浏览器限制,仅本地或TLS下可用 |
QQ.js | QQ机器人:配置过程见文件开头注释 |
block_programming.js | 猫猫也会的图块化编程:通过拖动图块实现简单Auto功能 |
1-draw_use_SD_api.js | 通过agents模块(见example.config.yml<Library> )调用Stable Diffusion接口绘图 |
以上功能主要用于展示auto用法,进一步能力有待广大用户进一步发掘。
知识库原理是在搜索后,生成一些提示信息插入到对话里面,知识库的数据就被模型知道了。rtst模式计算语义并在本地数据库中匹配;fess模式(相当于本地搜索引擎)、bing模式均调用搜索引擎搜索获取答案。
为防止爆显存和受限于模型理解能力,插入的数据不能太长,所以有字数和条数限制,这一问题可通过知识库增强Auto解决。
正常使用中,勾选右上角知识库即开启知识库。
有以下几种方案:
sentence_transformers+faiss进行索引、匹配,并连同上下文返回。目前支持txt和pdf格式。
支持预先构建索引和运行中构建,其中,预先构建索引强制使用cuda
,运行中构建根据config.yml
(复制example.config.yml)中rtst
段的device(embedding运行设备)
决定,对于显存小于12G的用户建议使用CPU
。
Windows预先构建索引运行:plugins/buils_rtst_default_index.bat
。
Linux直接使用wenda环境执行 python plugins/gen_data_st.py
需下载模型置于model文件夹,并将txt格式语料置于txt文件夹。
闻达用户“帛凡”,训练并提供的权重合并模型和lora权重文件,详细信息见https://huggingface.co/fb700/chatglm-fitness-RLHF ,使用该模型或者lora权重文件,对比hatglm-6b、chatglm2-6b、百川等模型,在闻达知识库平台中,总结能力可获得显著提升。
在本机使用默认端口安装fess后可直接运行。否则需修改config.yml
(复制example.config.yml)中fess_host
的127.0.0.1:8080
为相应值。FESS安装教程
安装 utool 工具,uTools 是一个极简、插件化的桌面软件,可以安装各种使用 nodejs 开发的插件。您可以使用插件对闻达的知识库进行数据清洗。请自行安装以下推荐插件:
运行:run_GLM6B.bat
。
模型位置等参数:修改config.yml
(复制example.config.yml)。
默认参数在GTX1660Ti(6G显存)上运行良好。
支持torch和cpp两种后端实现,运行:run_rwkv.bat
。
模型位置等参数:见config.yml
(复制example.config.yml)。
可使用内置脚本对模型量化,运行:cov_torch_rwkv.bat
。此操作可以加快启动速度。
在安装vc后支持一键启动CUDA加速,运行:run_rwkv_with_vc.bat
。强烈建议安装!!!
可使用内置脚本对torch版模型转换和量化。 运行:cov_ggml_rwkv.bat
。
设置strategy诸如"Q8_0->8"即支持量化在cpu运行,速度较慢,没有显卡或者没有nvidia显卡的用户使用。
注意:默认windows版本文件为AVX2,默认Liunx版本文件是在debian sid编译的,其他linux发行版本未知。
可以查看:saharNooby/rwkv.cpp,下载其他版本,或者自行编译。
pip install FlagAI
。注意FlagAI依赖很多旧版本的包,需要自己编译,所以如果想基于python3.11运行或者想在一个环境同时跑其他模型,建议去下懒人包run_Aquila.bat
。模型位置等参数:见config.yml
(复制example.config.yml)。注意模型要在这里下:https://model.baai.ac.cn/model-detail/100101
项目调用闻达的 api 接口实现类似于 new bing 的功能。 技术栈:vue3 + element-plus + ts