🚀 人工智能相关项目
本项目聚焦于与人工智能相关的事物，尤其专注于建立在Nasdanika功能之上的AI操作。其核心是在资源集（即相互连接的模型集合）上运行，模型和资源集对AI组件的低级实现细节进行了抽象，让用户无需关注底层复杂的实现。
✨ 主要特性
- 模型元素描述能力：“叙述者”处理器能够以多种方式描述模型元素及其关系。例如在示例家庭中，借助带派生关系和基于能力的推理的模型，可以清晰解释如“保罗是莉娅的父亲”“莉娅是保罗的女儿”等一系列关系。此外，通过EObject -> EClass关系，还能解释莉娅是一个女人，并给出元模型中对女人的定义。
- 文本处理与应用：可将相关文本添加到特定元素（如莉娅）的描述中，然后对生成的结果文本进行分块，生成嵌入并添加到向量存储中。这一过程可用于语义搜索和RAG（检索增强生成），搜索时不仅考虑语义距离，还会考虑图的距离，提升搜索的准确性和相关性。
📦 关键组件
- 嵌入：支持来自OpenAI和Ollams的嵌入。
- 向量存储：采用hnswlib。从本地计算机的观察情况来看：
- 预先下载的dl.fbaipublicfiles.com/fasttext/vectors-crawl/cc.en.300.vec.gz文件加载约200K向量大约需要10分钟。
- 索引文件大小约为2.5 Gb。
- 从文件加载索引大约需要90秒。
- 聊天完成：提供聊天完成功能。
- CLI（命令行界面）：具备多种功能，包括向量存储混入功能、生成搜索文档.json的嵌入、从搜索文档.json生成新的向量存储（可选择带或不带嵌入，支持全新创建或更新现有内容）、语义搜索HTTP服务器路由、聊天Vuejs组件（参考中）、在静态网站上与模型聊天（同时提供语义搜索命令、OpenAI和Ollama，可在GCP虚拟机上使用Docker）以及与模型进行对话。
🔮 未来展望
未来可能会基于Invocation流开发代理，进一步拓展项目的功能和应用场景。