Github
Huggingface项目介绍：llmware
llmware项目是一款致力于构建基于大语言模型(LLM)应用程序的统一框架。这些应用程序包括RAG（检索增强生成）、智能代理等，使用的是小型、专用的模型，这些模型可以私密部署，安全地与企业知识源整合，并能高效地进行调优和定制，以适应任何业务流程。
构建企业级RAG流水线
- RAG流水线：集成用于将知识源连接到生成式AI模型的生命周期全过程组件。
- 50多个小型、专用模型：这些模型经过微调，用于企业流程自动化中的关键任务，比如基于事实的问答、分类、摘要和信息提取。
llmware通过这两个主要组件结合领先的开源模型和底层技术，提供了一整套工具，帮助快速构建基于知识的企业LLM应用。
主要特性
- 模型目录：可以方便地访问所有模型，无论其底层实现如何。例如，使用
ModelCatalog类轻松查找和加载模型。 - 知识库：可以在大规模上摄入、组织和索引知识集合，包括解析、文本切片、嵌入等功能。
- 查询功能：支持混合查询，包括文本、语义、元数据和自定义过滤器，为查询库提供了灵活性。
- 提示与知识源：结合知识检索与LLM推理的简单方式，其中包括了与提示结合的多种知识源。
- RAG优化模型：包括1到7亿参数的模型，这些模型设计用于RAG工作流的整合，并支持本地运行。
最新的增强功能与特性
- 模型能力和基准测试：最新的小模型能力基准测试结果，特别是针对准确性和企业应用场景。
- 新模型和功能：例如Qwen2模型，支持RAG、功能调用和聊天功能。
- 新的用例与应用：如BizBot——结合RAG和SQL的本地聊天机器人，以及Lecture Tool用于教育和讲座分析的问答工具。
- 音频与文本处理：语音转录与WhisperCPP支援，以及自然语言查询转CSV转换功能。
- 多模型代理：支持在复杂工作流程中使用SLIM模型的多步代理。
- 文档与OCR处理：包括嵌入文档图像的系统化文本提取。
- 部署与优化：设置多模型代理的推理服务器以优化部署，并提供增加RAG提示准确性的优化教程。
快速入门
- 安装llmware：通过
pip3 install llmware或pip3 install 'llmware[full]'进行安装。 - 使用示例：访问100多个“即剪即用”的示例，快速上手。
llmware项目致力于为开发人员提供一个综合且高效的工具集，使其能在安全的环境下构建和定制高效的LLM应用程序，以满足各种复杂的业务需求。
