Upsun에서 RAG를 사용하여 Chainlit AI 인터페이스 실험

Chainlit: 확장 가능한 대화형 AI 프레임워크

Chainlit은 강력하고 확장 가능한 대화형 AI 애플리케이션을 구축하기 위해 설계된 오픈 소스 비동기 Python 프레임워크입니다. 개발자가 외부 API, 사용자 정의 논리 및 로컬 모델을 원활하게 통합할 수 있도록 유연한 기반을 제공합니다.

이 튜토리얼은 Chainlit 내에서 두 가지 RAG(Retrieval Augmented Generation) 구현을 보여줍니다.

1. 업로드된 문서에 OpenAI Assistant를 활용합니다.
2. 로컬 문서 폴더로 llama_index 활용하기

로컬 Chainlit 설정

가상 환경

가상 환경 만들기:

<code class="language-bash">mkdir chainlit && cd chainlit
python3 -m venv venv
source venv/bin/activate</code>

종속성 설치

필수 패키지 설치 및 종속성 저장:

<code class="language-bash">pip install chainlit
pip install llama_index  # For implementation #2
pip install openai
pip freeze > requirements.txt</code>

Chainlit 테스트

Chainlit 시작:

<code class="language-bash">chainlit hello</code>

https://www.php.cn/link/2674cea93e3214abce13e072a2dc2ca5

에서 자리 표시자에 액세스하세요.

업선 배포

Git 초기화

Git 저장소 초기화:

<code class="language-bash">git init .</code>

.gitignore 파일 만들기:

<code>.env
database/**
data/**
storage/**
.chainlit
venv
__pycache__</code>

업썬 프로젝트 창작

CLI를 사용하여 Upsun 프로젝트를 생성합니다(안내를 따르세요). Upsun은 원격 저장소를 자동으로 구성합니다.

구성

Chainlit을 위한 Upsun 구성 예:

<code class="language-yaml">applications:
  chainlit:
    source:
      root: "/"
    type: "python:3.11"
    mounts:
      "/database":
        source: "storage"
        source_path: "database"
      ".files":
        source: "storage"
        source_path: "files"
      "__pycache__":
        source: "storage"
        source_path: "pycache"
      ".chainlit":
        source: "storage"
        source_path: ".chainlit"
    web:
      commands:
        start: "chainlit run app.py --port $PORT --host 0.0.0.0"
      upstream:
        socket_family: tcp
      locations:
        "/":
          passthru: true
        "/public":
          passthru: true
    build:
      flavor: none
    hooks:
      build: |
        set -eux
        pip install -r requirements.txt
      deploy: |
        set -eux
      # post_deploy: |
routes:
  "https://{default}/":
    type: upstream
    upstream: "chainlit:http"
  "https://www.{default}":
    type: redirect
    to: "https://{default}/"</code>

Upsun CLI를 통해 OPENAI_API_KEY 환경 변수를 설정합니다.

<code class="language-bash">upsun variable:create env:OPENAI_API_KEY --value=sk-proj[...]</code>

배포

커밋 및 배포:

<code class="language-bash">git add .
git commit -m "First chainlit example"
upsun push</code>

배포 상태를 검토합니다. 배포가 성공하면 기본 환경에서 Chainlit이 실행되고 있는 것으로 표시됩니다.

구현 1: OpenAI Assistant 및 업로드된 파일

이 구현에서는 OpenAI 도우미를 사용하여 업로드된 문서를 처리합니다.

창작보조

OpenAI 플랫폼에서 새로운 OpenAI 도우미를 만듭니다. 시스템 지침을 설정하고, 모델을 선택하고(텍스트 응답 형식 포함), 온도를 낮게(예: 0.10) 유지하세요. 어시스턴트 ID(asst_[xxx])를 복사하고 환경 변수로 설정합니다.

<code class="language-bash">upsun variable:create env:OPENAI_ASSISTANT_ID --value=asst_[...]</code>

콘텐츠 업로드

문서를 어시스턴트에게 업로드하세요(마크다운 선호). OpenAI가 벡터 스토어를 생성합니다.

어시스턴트 로직(app.py)

app.py 콘텐츠를 제공된 코드로 바꿉니다. 주요 부분: @cl.on_chat_start은 새로운 OpenAI 스레드를 생성하고, @cl.on_message은 스레드에 사용자 메시지를 보내고 응답을 스트리밍합니다.

변경 사항을 커밋하고 배포합니다. 어시스턴트를 테스트해보세요.

구현 2: OpenAI llama_index

이 구현에서는 지역 지식 관리에 llama_index를 사용하고 응답 생성에 OpenAI를 사용합니다.

브랜치 생성

새 브랜치 만들기:

<code class="language-bash">mkdir chainlit && cd chainlit
python3 -m venv venv
source venv/bin/activate</code>

폴더 생성 및 마운트

data 및 storage 폴더를 만듭니다. Upsun 구성에 마운트를 추가하세요.

app.py 업데이트

제공된 llama_index 코드로 app.py을 업데이트하세요. 이 코드는 문서를 로드하고 VectorStoreIndex를 생성하며 이를 사용하여 OpenAI를 통해 쿼리에 응답합니다.

새 환경을 배포하고 data 폴더를 업로드합니다. 애플리케이션을 테스트해 보세요.

보너스: 인증

SQLite 데이터베이스를 사용하여 인증을 추가합니다.

데이터베이스 설정

database 폴더를 생성하고 Upsun 구성에 마운트를 추가합니다. 데이터베이스 경로에 대한 환경 변수를 만듭니다.

<code class="language-bash">pip install chainlit
pip install llama_index  # For implementation #2
pip install openai
pip freeze > requirements.txt</code>

인증 로직(app.py)

app.py을 사용하여 @cl.password_auth_callback에 인증 논리를 추가합니다. 로그인 양식이 추가됩니다.

해시된 비밀번호를 생성하는 스크립트를 만듭니다. 해시된 비밀번호를 사용하여 데이터베이스에 사용자를 추가합니다. 인증 및 테스트 로그인을 배포합니다.

결론

이 튜토리얼에서는 두 가지 RAG 구현 및 인증을 사용하여 Upsun에 Chainlit 애플리케이션을 배포하는 방법을 보여주었습니다. 유연한 아키텍처 덕분에 다양한 조정과 통합이 가능합니다.

위 내용은 Upsun에서 RAG를 사용하여 Chainlit AI 인터페이스 실험의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!