Cohere开源的工具包，用于开发RAG应用，可以一键部署到微软Azure上，也可以本地部署。
克隆存储库并运行
makesetup
按照说明配置模型 - AWS Sagemaker、Azure 或 Cohere 的平台。这也可以通过运行make setup（请参阅下面的选项 2）来完成，这将有助于为您生成文件，或者手动创建.env文件并复制提供的.env-template.然后用正确的值替换值。
COHERE_API_KEY：如果您的应用程序将与 Cohere 的 API 交互，则需要提供 API 密钥。如果使用 AWS Sagemaker 或 Azure，则不需要。在 https://dashboard.cohere.com/ 注册以创建 API 密钥。
NEXT_PUBLIC_API_HOSTNAME：前端将与之通信的后端 URL。默认值为 http://localhost:8000
DATABASE_URL：用于 SQLAlchemy 的 PostgreSQL 数据库连接字符串应遵循以下格式postgresql+psycopg2://USER
ASSWORD@HOSTORT。
要将该工具包与 AWS Sagemaker 结合使用，您首先需要 cohere 模型（命令版本），该模型为 Sagemaker 中部署的聊天提供支持。按照 Cohere 的指南和笔记本部署命令模型并创建端点，然后可以与工具包一起使用。
然后，您将需要设置授权，请参阅此处的更多详细信息。默认工具包设置使用具有以下环境变量的配置文件（之后aws configure sso）：
SAGE_MAKER_REGION_NAME：为模型配置的区域。
SAGE_MAKER_ENDPOINT_NAME：在笔记本中创建的终结点的名称。
SAGE_MAKER_PROFILE_NAME：您的 AWS 配置文件名称
PYTHON_INTERPRETER_URL：指向 python 解释器容器的 URL。默认值为 http://localhost:8080。
TAVILY_API_KEY：如果要启用互联网搜索，则需要提供 Tavily API 密钥。不需要。
设置环境变量后，即可在本地部署 Toolkit！从 Github Artifact 注册表中提取 Docker 映像或从源代码构建文件。Makefile请参阅 了解所有可用命令。
要求：
Docker
Poetry
Docker-compose >= 2.22
确保您的 shell 已通过 GHCR 身份验证。
从 Github 的 Artifact Registry 中拉取单个容器映像
dockerpullghcr.io/cohere-ai/cohere-toolkit:latest
在本地运行映像：
dockerrun--name=cohere-toolkit-itd-eCOHERE_API_KEY='YourCohereAPIkeyhere'-p8000:8000-p4000:4000ghcr.io/cohere-ai/cohere-toolkit
运行make first-run以启动 CLI，这将为您生成一个.env文件。这也将运行所有数据库迁移并运行容器
makefirst-run
运行make setup以启动 CLI，这将为您生成一个.env文件：
makesetup
然后运行：
makemigratemakedev
如果您没有更改默认端口，请访问浏览器中的 http://localhost:4000/ 与模型聊天。
此存储库中的组件包括：
src/interfaces/coral_web- Next.js 内置的 Web 应用程序。包括一个开箱即用的简单 SQL 数据库，用于在应用中存储对话历史记录。
src/backend- 包含预配置的数据源和检索代码，用于在自定义数据源（称为“检索链”）上设置 RAG。用户还可以配置要使用的模型，从托管在 Cohere 平台、Azure 和 AWS Sagemaker 上的 Cohere 模型中进行选择。默认情况下，我们配置了一个Langchain数据检索器来测试维基百科和你自己上传的文档上的RAG。
https://github.com/cohere-ai/cohere-toolkit
| 欢迎光临 链载Ai (https://www.lianzai.com/) | Powered by Discuz! X3.5 |