大模型应用_PrivateGPT

https://github.com/imartinez/privateGPT

1 功能

整体功能，想解决什么问题
搭建完整的 RAG 系统，与 FastGPT相比，界面比较简单。但是底层支持比较丰富，可用于知识库的完全本地部署，包含大模型和向量库。适用于保密级别比较高，或者完全不想使用收费模型和服务的情况。
当前解决了什么问题，哪些问题解决不了
PrivateGPT 提供了整体转换、入库、存储、匹配、合成答案，图形界面的解决方案，并提供图形界面用于检索操作。
RAG 所面对的问题，比如不够准确，多文档组合生成答案这些问题，需要进一步细化工具，似乎不能通过架构来解决。另外，由于多数本地部署的模型效果与 ChatGPT 差距比较大，这里只是看到了本地部署的架构和实现的可能性，部署后用户是否能接受其效果，还待验证。
提供哪些功能点，其中哪些是刚需
核心功能是通过简单的操作，实现对本地文件的检索和问答，功能相对单一。
用户使用难度，操作逻辑是否过于复杂
整体工具链使用了poetry构建，安装相对方便。但由于包含了深度学习库，肯定比一般项目复杂很多，安装时间长，占空间大。
Dockerfile如果写得有一点问题（频繁更新，难免有错），就会面临至少部分内容重新下载打包的问题。另外，由于可插拔的选项比较多，还需要用户进一步设置。

2 技术栈

技术栈是什么：
- PrivateGPT 不是一个用大量代码实现具体功能的项目，相反，它尽量使用现有工具，主要提供架构，组织现有方法，以实现功能。
现有底层工具消化了哪些常用功能
- llamaindex 文档的转换和管理
- pytorch & cuda 本地支持深度学习模型，因此image也较大
- sentence-transformers 文本匹配
- FastAPI 后端框架
- Chroma 向量数据库
- Qdrant 向量数据库
- Gradio 界面由Gradio实现，有效降低了程序的复杂度
- fern 管理文档
- 使用 poetry 管理项目
代码分析（使用cloc工具统计）
- 代码 3.2M，主要为 Python 代码，共 2733 行
- local 版本 image 大小为 6.34G，external 版本为 5.68G
- 核心代码在：private_gpt/private_gpt/ 目录下
使用场景
- 完全本地化的知识库

3 商业模式

相对简单的项目，代码主要在架构和调用其它工具，依赖 llama-index，并实现了扩展，如支持几个主流向量数库，后面可能接入更多模型和向量库。可作为一种集成的方案，或者支持各种组件插拔的 Hub 使用。

4 使用

4.1 安装

下载项目

$ git clone https://github.com/imartinez/privateGPT
$ cd privateGPT

修改配置文件

vi settings.yaml

建议第一次运行时将 llm 设置为 openai，整体调通后，再使用本地 llm 下载模型；否则太过复杂，不容易定位问题。

修改 Dockerfile.local（我build时报错）

RUN addgroup worker
RUN adduser --ingroup worker --system worker

构建 local 环境

$ docker build . -f Dockerfile.local --build-arg HTTP_PROXY=xxx --build-arg HTTPS_PROXY=xxx -t private-gpt

细节请见文档：https://docs.privategpt.dev/installation

4.2 运行

如果直接执行失败，建议以root用户启动bash进行调试

$ docker run --rm -p 8080:8080 -e OPENAI_API_KEY=xxx -e HTTP_PROXY=xxx -e HTTPS_PROXY=xxx --entrypoint bash -u 0 -it private-gpt
$ .venv/bin/python -m private_gpt