开源模型应用落地-总述

一、背景

        在当今社会，实际应用比纯粹理解原理和概念更为重要。即使您对某个领域的原理和概念有深入的理解，但如果无法将其应用于实际场景并受制于各种客观条件，那么与其一开始就过于深入，不如先从基础开始，实际操作后再逐步深入探索。
        在这种实践至上的理念下，或许我可以为您提供一种直接的、实际操作的方法。希望能借助我的经验，为各位朋友带来一些有帮助的建议，例如：
        1、您是否也在迫不及待地期待在AI时代中展示自己的能力？
        2、您是否一直在研究如何使用开源大语言模型？
        3、您是否一直在寻找将AI与业务结合的方向？
        4、您是否一直在寻找模型推理加速及降本增效的方法？
        5、您是否一直在努力整合来自互联网上碎片化的资料？
        6、您是否花费成百上千元购买网上的课程但却收获甚少？
        无论您是在学习中还是工作时有类似的困惑，我坚信您可以从我的文章里得到很多收获。

---

二、项目架构

    简化后的示意图如下：

三、总览

    通过实际案例，我们将为大家呈现一系列文章，帮助您了解如何将开源模型与业务整合。这些文章将引导您深入掌握该过程。

3.1. 初级入门系列

3.1.1. 开源模型应用落地-qwen模型小试-入门篇系列

        开源模型应用落地-qwen模型小试-入门篇（一）

            重点：在windows环境下，使用transformer调用Qwen-1_8B-Chat模型

        开源模型应用落地-qwen模型小试-入门篇（二）

           重点：在windows环境下，使用transformer设置模型参数/System Prompt/历史对话

        开源模型应用落地-qwen模型小试-入门篇（三）

            重点：在linux环境下，使用transformer调用Qwen-1_8B-Chat模型

        开源模型应用落地-qwen模型小试-入门篇（四）

            重点：使用gradio，构建Qwen-1_8B-Chat模型的测试界面

        开源模型应用落地-qwen模型小试-入门篇（五）

            重点：使用modelscope api调用Qwen-1_8B-Chat模型，实现非流式/流式输出

        开源模型应用落地-qwen2模型小试-入门篇（六）

            重点：Qwen1.5系列模型的新特性及使用方式

        开源模型应用落地-qwen模型小试-调用Lora模型-进阶篇（七）

            重点：调用微调后的qwen-7b-chat模型

        开源模型应用落地-qwen模型小试-合并Lora模型-进阶篇（八）

            重点：将qwen-7b-chat基座模型与Lora模型进行合并

3.1.2. 开源模型应用落地-baichuan模型小试-入门篇系列

        开源模型应用落地-baichuan模型小试-入门篇（一）

            重点：在windows环境下，使用transformer调用Baichun-7B模型

        开源模型应用落地-baichuan2模型小试-入门篇（二）

            重点：在windows环境下，使用transformer设置模型参数/System Prompt/历史对话

3.1.3. 开源模型应用落地-chatglm模型小试-入门篇系列

3.1.4. 开源模型应用落地-KnowLM模型小试-入门篇系列

        开源模型应用落地-KnowLM模型小试-入门篇（一）

            重点：调用KnowLM模型，实现知识抽取

        开源模型应用落地-KnowLM模型小试-入门篇（二）

            重点：优化模型参数，提高知识提取效率和质量

3.2. 高级进阶系列

3.2.1. 开源模型应用落地-向量数据库小试-入门篇系列

        开源模型应用落地-工具使用篇-向量数据库（三）

            重点：Milvus Lite向量数据库的基本使用

        开源模型应用落地-工具使用篇-向量数据库进阶（四）

            重点：Milvus Lite向量数据库的进阶使用

3.2.2. 开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势系列

        开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势（一）

            重点：qwen-7b-chat集成vllm

        开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势（二）

            重点：gunicorn+flask构建AI服务

        开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势（三）

            重点：supervisor提升服务的稳定性

        开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势（四）

            重点：鉴权和限流提升AI服务的安全性和稳定性

        开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势（五）

            重点：定时任务处理隐藏盲点

        开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势（六）

            重点：改变模型自我认知

        开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势（七）

            重点：AI服务性能优化

        开源模型应用落地-qwen1.5-7b-chat与vllm实现推理加速的正确姿势（八）

            重点：qwen1.5-7b-chat集成vllm

        开源模型应用落地-qwen1.5-7b-chat与vllm实现推理加速的正确姿势（九）

            重点：qwen1.5-7b-chat集成vllm，构建与OpenAI-API兼容的API服务

3.2.3. 开源模型应用落地-业务整合系列

        开源模型应用落地-业务整合篇（一）

            重点：使用HttpURLConnection/OkHttp/HttpClient多种方式调用AI服务

        开源模型应用落地-业务整合篇（二）

            重点：使用Netty库快速构建WebSocket服务，实现客户端与AI服务交互

        开源模型应用落地-业务整合篇（三）

            重点：spring boot集成netty服务，实现用户界面交互

        开源模型应用落地-业务整合篇（四）

            重点：构建websocket身份校验机制，避免无效连接

        开源模型应用落地-业务整合篇（五）

            重点：构建websocket心跳机制，及时释放一些无效的连接

3.2.4. 开源模型应用落地-业务优化系列

        开源模型应用落地-业务优化篇（一）

            重点：使用线程池提升处理效率

        开源模型应用落地-业务优化篇（二）

            重点：使用Redis队列和分布式锁实现请求排队

        开源模型应用落地-业务优化篇（三）

            重点：使用SLB实现AI服务水平扩容

        开源模型应用落地-业务优化篇（四）

            重点：多级数据缓存概述

        开源模型应用落地-业务优化篇（五）

            重点：使用HanLP进行词性标注，并使用Redis作为一级缓存

        开源模型应用落地-业务优化篇（六）

            重点：使用向量数据库作为二级缓存，来为AI服务减负，提升处理效率

        开源模型应用落地-业务优化篇（七）

            重点：使用RocketMQ提升处理效率

        开源模型应用落地-业务优化篇（八）

            重点：统计问题的请求频次，实现热门问题的实时缓存

3.2.5. 开源模型应用落地-安全合规系列

        开源模型应用落地-安全合规篇-用户输入合规性检测（一）

            重点：使用DFA算法检测用户输入内容的合法性

        开源模型应用落地-安全合规篇-用户输入合规性检测（二）

            重点：使用腾讯云文本内容安全服务检测用户输入内容的合法性

        开源模型应用落地-安全合规篇-模型输出合规性检测（三）​​​​​​​

            重点：使用腾讯云文本内容安全服务检测模型输出内容的合法性

3.3. 深度优化系列

3.3.1. 开源模型应用落地-qwen模型微调系列

3.3.2. 开源模型应用落地-记忆增强系列

3.4. 知识巩固系列

3.4.1.开源模型应用落地-项目回顾系列