支持函数库功能,支持对接豆包、腾讯混元、Amazon Bedrock等模型供应商,MaxKB v1.5.0版本发布

本文主要是介绍支持函数库功能,支持对接豆包、腾讯混元、Amazon Bedrock等模型供应商,MaxKB v1.5.0版本发布,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

2024年9月2日,MaxKB开源知识库问答系统正式发布v1.5.0版本。

在v1.5.0社区版中,应用编排方面,MaxKB新增函数库功能,支持用户在应用编排时调用函数;模型管理方面,MaxKB新增对豆包、腾讯混元和Amazon Bedrock三家在线模型供应商的对接支持,并且新增对Xorbits Inference和vLLM本地模型供应商的对接支持;应用功能方面,MaxKB支持复制应用,同时在应用设置中支持设置AI模型的参数。

X-Pack增强包方面,MaxKB v1.5.0专业版新增支持CAS(Central Authentication Service,中央认证服务)和OIDC(OpenID Connect)单点登录方式。截至目前,MaxKB专业版已经支持LDAP、CAS、OIDC三种单点登录方式,基本上满足了企业对于强身份验证和访问控制的需求。

亮点更新

■ 新增函数库

在v1.5.0社区版中,MaxKB新增函数库功能。用户可以根据自身的业务需求,在函数库中创建用于数据处理、逻辑判断、信息提取或者其他任何满足工作场景的函数脚本。在函数创建完成后,用户进行应用编排时,能够以添加组件的方式调用这些函数。组件化的设计提高了用户的工作效率,也使得整个系统更加模块化,便于维护和扩展。
在这里插入图片描述

▲图1 MaxKB支持函数库-创建函数界面
在这里插入图片描述

▲图2 MaxKB高级应用工作流程编排页面-添加函数组件

■ 模型管理支持对接豆包、腾讯混元、Xorbits Inference等模型供应商

在v1.5.0社区版中,MaxKB新增支持对接豆包、腾讯混元和Amazon Bedrock三家在线模型供应商。除此之外,MaxKB还新增支持对接Xorbits Inference和vLLM等性能强大的本地模型供应商。

在“模型设置”页面中,用户可以轻松找到新增支持的大模型。通过将这些框架与MaxKB整合,用户可以充分利用本地计算资源,实现更高效、更灵活的模型推理和数据分析。截至目前,MaxKB已经支持了国内外主流的16个模型供应商,为用户提供了丰富的模型选择。
在这里插入图片描述

▲ 图3 MaxKB新增支持豆包、腾讯混元、Amazon Bedrock等模型供应商

■ 支持应用复制

在v1.5.0社区版中,MaxKB支持复制已有应用。用户点击目标应用下方的“…”,在下拉列表中选择“复制”选项,即可获得该应用的副本。MaxKB的复制应用功能进一步提高了用户工作流程的编排效率,减少了应用编排的工作量。
在这里插入图片描述
▲ 图4 MaxKB支持应用复制

■ 支持设置AI模型参数

在v1.5.0社区版中,MaxKB支持在应用设置中设置AI模型的“温度”参数和“输出最大Tokens”参数,旨在获得更加符合用户期望的回答效果。在设置AI模型参数时,用户可以通过调整AI模型的“温度”参数来提高或降低AI输出内容的随机性,并且通过调整模型“输出最大Tokens”参数精准把控输出答案时所消耗的资源。
在这里插入图片描述
▲ 图5 MaxKB支持设置AI模型参数

■ 支持CAS和OIDC单点登录方式(X-Pack增强包)

在v1.5.0专业版中,MaxKB新增支持CAS和OIDC单点登录方式。目前,MaxKB专业版已经支持LDAP、CAS、OIDC三种单点登录方式,基本满足了企业对于强身份验证和访问控制的需求。
在这里插入图片描述
▲ 图6 MaxKB“登录认证”页面新增CAS和OIDC设置

功能优化

■ 知识库:优化文档向量化性能;

■ 知识库:优化PDF文档的智能分段效果;

■ 应用:优化应用名称过滤前后空格。

问题修复

■ 系统:修复Django JSONField存在的SQL注入漏洞(CVE-2024-42005);

■ 知识库:修复文档设置直接回答时相似度写0.000,提示设置成功,实际上不生效的问题;

■ 知识库:修复上传文档中后缀为PDF不识别的问题;

■ 知识库:修复智能分段时,单个段落超出10万个字符报错的问题;

■ 应用:修复对话日志导出报错的问题;

■ 模型管理:修复模型名称前后端校验不统一问题;

■ 外观设置:修复登录图片设置上传大尺寸图片报错的问题(X-Pack增强包内);

■ 外观设置:修复自定义外观设置后,还会显示默认外观的问题(X-Pack增强包内)。

这篇关于支持函数库功能,支持对接豆包、腾讯混元、Amazon Bedrock等模型供应商,MaxKB v1.5.0版本发布的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1131410

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

豆包 MarsCode 不允许你还没有女朋友

在这个喧嚣的世界里,爱意需要被温柔地唤醒。为心爱的她制作每日一句小工具,就像是一场永不落幕的浪漫仪式,每天都在她的心田播撒爱的种子,让她的每一天都充满甜蜜与期待。 背景 在这个瞬息万变的时代,我们都在寻找那些能让我们慢下来,感受生活美好的瞬间。为了让这份浪漫持久而深刻,我们决定为女朋友定制一个每日一句小工具。这个工具会在她意想不到的时刻,为她呈现一句充满爱意的话语,让她的每一天都充满惊喜和感动

高效+灵活,万博智云全球发布AWS无代理跨云容灾方案!

摘要 近日,万博智云推出了基于AWS的无代理跨云容灾解决方案,并与拉丁美洲,中东,亚洲的合作伙伴面向全球开展了联合发布。这一方案以AWS应用环境为基础,将HyperBDR平台的高效、灵活和成本效益优势与无代理功能相结合,为全球企业带来实现了更便捷、经济的数据保护。 一、全球联合发布 9月2日,万博智云CEO Michael Wong在线上平台发布AWS无代理跨云容灾解决方案的阐述视频,介绍了

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

C++11第三弹:lambda表达式 | 新的类功能 | 模板的可变参数

🌈个人主页: 南桥几晴秋 🌈C++专栏: 南桥谈C++ 🌈C语言专栏: C语言学习系列 🌈Linux学习专栏: 南桥谈Linux 🌈数据结构学习专栏: 数据结构杂谈 🌈数据库学习专栏: 南桥谈MySQL 🌈Qt学习专栏: 南桥谈Qt 🌈菜鸡代码练习: 练习随想记录 🌈git学习: 南桥谈Git 🌈🌈🌈🌈🌈🌈🌈🌈🌈🌈🌈🌈🌈�

让树莓派智能语音助手实现定时提醒功能

最初的时候是想直接在rasa 的chatbot上实现,因为rasa本身是带有remindschedule模块的。不过经过一番折腾后,忽然发现,chatbot上实现的定时,语音助手不一定会有响应。因为,我目前语音助手的代码设置了长时间无应答会结束对话,这样一来,chatbot定时提醒的触发就不会被语音助手获悉。那怎么让语音助手也具有定时提醒功能呢? 我最后选择的方法是用threading.Time

Android实现任意版本设置默认的锁屏壁纸和桌面壁纸(两张壁纸可不一致)

客户有些需求需要设置默认壁纸和锁屏壁纸  在默认情况下 这两个壁纸是相同的  如果需要默认的锁屏壁纸和桌面壁纸不一样 需要额外修改 Android13实现 替换默认桌面壁纸: 将图片文件替换frameworks/base/core/res/res/drawable-nodpi/default_wallpaper.*  (注意不能是bmp格式) 替换默认锁屏壁纸: 将图片资源放入vendo

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}