今天学习了《 茴香豆：企业级知识库问答工具》这一课，对大模型的应用有了更深得认识。以下是记录本课实操过程及截图：
搭建茴香豆虚拟环境：
输入以下命令
``studio-conda -o internlm-base -t huixiangdou
成功安装虚拟环境截图
安装茴香豆
cd /root
克隆代码仓库
git clone https://github.com/internlm/huixiangdou && cd huixiangdou
git checkout 79fa810
上面是安装茴香豆的截图
安装茴香豆所需依赖：
conda activate huixiangdou
parsing word format requirements
apt update
apt install python-dev libxml2-dev libxslt1-dev antiword unrtf poppler-utils pstotext tesseract-ocr flac ffmpeg lame libmad0 libsox-fmt-mp3 sox libjpeg-dev swig libpulse-dev
python requirements
pip install BCEmbedding==0.1.5 cmake3.30.2 lit18.1.8 sentencepiece0.2.0 protobuf5.27.3 accelerate==0.33.0
pip install -r requirements.txt
在这里提醒一下：估计是老师太忙疏忽了，BCEmbedding应是0.1.5。花了多半天时间才弄明白。
python3.8 安装 faiss-gpu 而不是 faiss
上面是更改配置文件，让茴香豆使用本地模型的截图
创建 知识库：
conda activate huixiangdou
cd /root/huixiangdou && mkdir repodir
git clone https://github.com/internlm/huixiangdou --depth=1 repodir/huixiangdou
git clone https://github.com/open-mmlab/mmpose --depth=1 repodir/mmpose
Save the features of repodir to workdir, and update the positive and negative example thresholds into config.ini
mkdir workdir
python3 -m huixiangdou.service.feature_store
上面是知识库的搭建的截图
知识库创建成功后会有一系列小测试，检验问题拒答和响应效果，如图所示，关于“mmpose 安装”的问题，测试结果可以很好的反馈相应答案和对应的参考文件，但关于“std：：vector 使用”的问题，因为属于 C++ 范畴，不再在知识库范围内，测试结果显示拒答，说明我们的知识助手工作正常。
截图未运行前茴香豆的阈值 -1
运行后茴香豆的阈值0.331506875892811，因此每次更新原始知识文档和正反例，都需要重新运行 命令进行向量知识库的重新创建和应答阈值的更新
python3 -m huixiangdou.service.feature_store
测试知识助手
运行下面的命令，可以用命令行对现有知识库问答助手进行测试：
conda activate huixiangdou
cd /root/huixiangdou
python3 -m huixiangdou.main --standalone
命令行方式启动的截图
Gradio UI 界面测试
在运行茴香豆助手的服务器端，输入下面的命令，启动茴香豆 Web UI：
conda activate huixiangdou
cd /root/huixiangdou
python3 -m huixiangdou.gradio
上面是 Gradio 服务启动成功的截图
对话截图
huixiangdou对话截图
huixiangdou对话截图
以上是这一课的主要过程及截图，请佬们指正。
