文章目录
- 1 项目概述(必写):
- 2 技术方案与实施步骤
- 2.1 模型选择(必写):
- 2.2 数据的构建:
- 2.3 功能整合(进阶):
- 3 实施步骤:
- 3.1 环境搭建(必写):
- 3.2 代码实现(必写):
- 3.2.1 chat_agent
- 3.2.2 界面
- 4 项目成果与展示:
- 4.1 应用场景展示(必写):
- 4.2 功能演示(必写):
NVIDIA AI-AGENT夏季训练营
项目名称:AI-AGENT夏季训练营 — RAG智能对话机器人
报告日期:2024年8月18日
项目负责人:赵志远
1 项目概述(必写):
在这部分介绍项目的整体情况,包括项目的应用场景与亮点
本项目目的是根据建筑表面的混凝土缺陷照片,利用AI提出对应的解决方案。可以使用在建筑的验收、检测和修复中。本项目使用多模态技术,对混凝土缺陷的照片进行识别,根据识别出的缺陷种类,利用RAG技术,对混凝土的修复方法进行增强检索。
2 技术方案与实施步骤
技术方案和实施步骤:
使用microsoft/phi-3-vision-128k-instruct
对图片进行识别。得到混凝土表面缺陷的种类。
使用RAG技术,根据识别出的种类在自定义的文本数据库中找到合适的修复方法。
利用大模型输出结果。
2.1 模型选择(必写):
详细描述项目采用的技术方案,包括大模型的选择理由、RAG模型的优势分析。
图片识别模型采用了microsoft/phi-3-vision-128k-instruct
,其是当前最先进的图片模型之一,经过大量的预训练,具有卓越的图片理解能力。
Retrieval-augmented Generation (RAG) 是一种将信息检索与生成模型结合的方法。
RAG有如下优势:
增强的知识获取
降低幻觉效应
精确性与上下文相关性
处理长文档与复杂查询
高效资源利用
多领域应用
大语言模型采用的meta/llama-3.1-405b-instruct
,具有开源和准确度高的优点。
2.2 数据的构建:
对混凝土表面各种缺陷的处理方法进行整理为.txt
文件,并使用langchain.vectorstores FAISS
进行向量化。
2.3 功能整合(进阶):
使用图片识别、RAG技术,生成一个agent来输出混凝土表面缺陷的处理。
3 实施步骤:
3.1 环境搭建(必写):
描述开发环境的搭建过程,包括必要的软件、库的安装与配置。
环境,使用了NVIDIA的 AI Foundation Endpoints 环境。
import os
import base64
from operator import itemgetter
import matplotlib.pyplot as plt
import numpy as np
from langchain_nvidia_ai_endpoints import ChatNVIDIA
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain.schema.runnable import RunnableLambda
from langchain.schema.runnable.passthrough import RunnableAssign
from langchain_core.runnables import RunnableBranch
from langchain_core.runnables import RunnablePassthrough
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory
from langchain.vectorstores import FAISS
from langchain.text_splitter import CharacterTextSplitter
import faiss
3.2 代码实现(必写):
3.2.1 chat_agent
def chart_agent(image_b64, user_input, text):
# Convert image to base64
image_b64 = image2b64(image_b64)
# Image reading using the model
image_reading = ChatNVIDIA(model="microsoft/phi-3-vision-128k-instruct")
result = image_reading.invoke(f'Identifying types of concrete defects: <img src="data:image/png;base64,{image_b64}" />')
# Initialize the LLM for generating repair suggestions
llm = ChatNVIDIA(model="meta/llama-3.1-405b-instruct")
# Assuming `store` is provided and is correct
retriever = store.as_retriever()
# Define the prompt template including image analysis result and context
prompt = ChatPromptTemplate.from_messages(
[
(
"system",
"Based on the image analysis and the following context, provide repair suggestions.\n"
"<Image Analysis>\n{image_result}\n</Image Analysis>\n"
"<Documents>\n{context}\n</Documents>"
),
("user", "{question}"),
]
)
# Invoke the chain with all the necessary inputs
result_text = prompt.invoke({
"context": retriever,
"image_result": result.content,
"question": user_input
})
# Run the LLM to get the final repair suggestions
final_result = llm.invoke(result_text)
return final_result
3.2.2 界面
import gradio as gr
multi_modal_chart_agent = gr.Interface(fn=chart_agent,
inputs=[gr.Image(label="Upload image", type="filepath"), 'text'],
outputs=['text'],
title="Multi Modal chat agent",
description="Multi Modal chat agent",
allow_flagging="never")
multi_modal_chart_agent.launch(debug=True, share=False, show_api=False, server_port=5001, server_name="0.0.0.0")
4 项目成果与展示:
4.1 应用场景展示(必写):
机器人主要应用在建筑表面的检测、评估和修复。
4.2 功能演示(必写):
UI界面