基于大模型的应用架构与方案

，如客户服务或个性化内容创建等领域，能够表现得更为出色。混合规则架构原理：将大模型与基于规则的逻辑相结合，融合结构化的精确性和大模型的创新性，创造出既富有创意又遵循规范的解决方案。在这种架构中，基于大模型应用架构包括分层架构、路由分发架构、大模型代理架构、多任务微调架构、面向微调的分层缓存策略架构、混合规则架构、知识图谱架构、智能体蜂巢架构、智能体组合架构、记忆认知架构等多种类型，各有其原理与优势以满足不同应用场景需求。以下是一些常见的大模型应用架构：分层架构基础设施层：作为整个架构的基础，涵盖了数据服务、云平台及开源社区等多个方面。数据服务为模型训练提供海量数据，云平台提供强大的算力支持服务。例如在智能问答应用中，需要综合运用生成模型、内容检索和安全性识别等多种能力。大模型应用层：处于整个架构的最高层，直接面向用户，提供各种具体的应用服务，如智能问答系统、写作助手、观点提取、智能助教等，极大地简化了训练和测试工作流程，提高了模型的应用范围和效率。向微调的分层缓存策略架构原理：将缓存策略引入到大模型应用架构中，首先储存模型的初始结果，以便在后续查询中能够迅速提供答案，提高系统效率

，如客户服务或个性化内容创建等领域，能够表现得更为出色。混合规则架构原理：将大模型与基于规则的逻辑相结合，融合结构化的精确性和大模型的创新性，创造出既富有创意又遵循规范的解决方案。在这种架构中，基于大模型应用架构包括分层架构、路由分发架构、大模型代理架构、多任务微调架构、面向微调的分层缓存策略架构、混合规则架构、知识图谱架构、智能体蜂巢架构、智能体组合架构、记忆认知架构等多种类型，各有其原理与优势以满足不同应用场景需求。以下是一些常见的大模型应用架构：分层架构基础设施层：作为整个架构的基础，涵盖了数据服务、云平台及开源社区等多个方面。数据服务为模型训练提供海量数据，云平台提供强大的算力支持服务。例如在智能问答应用中，需要综合运用生成模型、内容检索和安全性识别等多种能力。大模型应用层：处于整个架构的最高层，直接面向用户，提供各种具体的应用服务，如智能问答系统、写作助手、观点提取、智能助教等，极大地简化了训练和测试工作流程，提高了模型的应用范围和效率。向微调的分层缓存策略架构原理：将缓存策略引入到大模型应用架构中，首先储存模型的初始结果，以便在后续查询中能够迅速提供答案，提高系统效率

，如客户服务或个性化内容创建等领域，能够表现得更为出色。混合规则架构原理：将大模型与基于规则的逻辑相结合，融合结构化的精确性和大模型的创新性，创造出既富有创意又遵循规范的解决方案。在这种架构中，基于大模型应用架构包括分层架构、路由分发架构、大模型代理架构、多任务微调架构、面向微调的分层缓存策略架构、混合规则架构、知识图谱架构、智能体蜂巢架构、智能体组合架构、记忆认知架构等多种类型，各有其原理与优势以满足不同应用场景需求。以下是一些常见的大模型应用架构：分层架构基础设施层：作为整个架构的基础，涵盖了数据服务、云平台及开源社区等多个方面。数据服务为模型训练提供海量数据，云平台提供强大的算力支持服务。例如在智能问答应用中，需要综合运用生成模型、内容检索和安全性识别等多种能力。大模型应用层：处于整个架构的最高层，直接面向用户，提供各种具体的应用服务，如智能问答系统、写作助手、观点提取、智能助教等，极大地简化了训练和测试工作流程，提高了模型的应用范围和效率。向微调的分层缓存策略架构原理：将缓存策略引入到大模型应用架构中，首先储存模型的初始结果，以便在后续查询中能够迅速提供答案，提高系统效率

，如客户服务或个性化内容创建等领域，能够表现得更为出色。混合规则架构原理：将大模型与基于规则的逻辑相结合，融合结构化的精确性和大模型的创新性，创造出既富有创意又遵循规范的解决方案。在这种架构中，基于大模型应用架构包括分层架构、路由分发架构、大模型代理架构、多任务微调架构、面向微调的分层缓存策略架构、混合规则架构、知识图谱架构、智能体蜂巢架构、智能体组合架构、记忆认知架构等多种类型，各有其原理与优势以满足不同应用场景需求。以下是一些常见的大模型应用架构：分层架构基础设施层：作为整个架构的基础，涵盖了数据服务、云平台及开源社区等多个方面。数据服务为模型训练提供海量数据，云平台提供强大的算力支持服务。例如在智能问答应用中，需要综合运用生成模型、内容检索和安全性识别等多种能力。大模型应用层：处于整个架构的最高层，直接面向用户，提供各种具体的应用服务，如智能问答系统、写作助手、观点提取、智能助教等，极大地简化了训练和测试工作流程，提高了模型的应用范围和效率。向微调的分层缓存策略架构原理：将缓存策略引入到大模型应用架构中，首先储存模型的初始结果，以便在后续查询中能够迅速提供答案，提高系统效率

，如客户服务或个性化内容创建等领域，能够表现得更为出色。混合规则架构原理：将大模型与基于规则的逻辑相结合，融合结构化的精确性和大模型的创新性，创造出既富有创意又遵循规范的解决方案。在这种架构中，基于大模型应用架构包括分层架构、路由分发架构、大模型代理架构、多任务微调架构、面向微调的分层缓存策略架构、混合规则架构、知识图谱架构、智能体蜂巢架构、智能体组合架构、记忆认知架构等多种类型，各有其原理与优势以满足不同应用场景需求。以下是一些常见的大模型应用架构：分层架构基础设施层：作为整个架构的基础，涵盖了数据服务、云平台及开源社区等多个方面。数据服务为模型训练提供海量数据，云平台提供强大的算力支持服务。例如在智能问答应用中，需要综合运用生成模型、内容检索和安全性识别等多种能力。大模型应用层：处于整个架构的最高层，直接面向用户，提供各种具体的应用服务，如智能问答系统、写作助手、观点提取、智能助教等，极大地简化了训练和测试工作流程，提高了模型的应用范围和效率。向微调的分层缓存策略架构原理：将缓存策略引入到大模型应用架构中，首先储存模型的初始结果，以便在后续查询中能够迅速提供答案，提高系统效率

，如客户服务或个性化内容创建等领域，能够表现得更为出色。混合规则架构原理：将大模型与基于规则的逻辑相结合，融合结构化的精确性和大模型的创新性，创造出既富有创意又遵循规范的解决方案。在这种架构中，基于大模型应用架构包括分层架构、路由分发架构、大模型代理架构、多任务微调架构、面向微调的分层缓存策略架构、混合规则架构、知识图谱架构、智能体蜂巢架构、智能体组合架构、记忆认知架构等多种类型，各有其原理与优势以满足不同应用场景需求。以下是一些常见的大模型应用架构：分层架构基础设施层：作为整个架构的基础，涵盖了数据服务、云平台及开源社区等多个方面。数据服务为模型训练提供海量数据，云平台提供强大的算力支持服务。例如在智能问答应用中，需要综合运用生成模型、内容检索和安全性识别等多种能力。大模型应用层：处于整个架构的最高层，直接面向用户，提供各种具体的应用服务，如智能问答系统、写作助手、观点提取、智能助教等，极大地简化了训练和测试工作流程，提高了模型的应用范围和效率。向微调的分层缓存策略架构原理：将缓存策略引入到大模型应用架构中，首先储存模型的初始结果，以便在后续查询中能够迅速提供答案，提高系统效率

大模型应用解决方案是基于大规模预训练模型，针对不同行业和领域的特定需求所构建的系统性应用策略与技术架构，旨在利用大模型强大的语言理解、生成和推理能力，解决实际业务问题并创造价值。医疗领域解决方案智能研发成本。健康管理与疾病预测：基于个人的健康档案、生活习惯数据以及连续的健康监测数据，大模型可对个体健康状况进行评估，预测疾病发生风险，提供个性化的健康管理方案，包括饮食、运动、预防保健建议等，实现疾病。产品设计与创新：基于市场需求调研、用户反馈、技术趋势等数据，大模型为产品设计团队提供创意构思、设计方案评估、功能优化建议等，助力开发更具竞争力的产品，缩短产品研发周期，快速响应市场变化。智能生产调度灵感、丰富的案例素材以及语言表达优化建议，还可对现有教育内容进行质量评估和改进，提升教育资源的质量和吸引力。制造业领域解决方案生产质量控制与预测性维护：在生产线上，大模型结合传感器数据、生产工艺参数与管理：根据订单需求、生产能力、资源状况等因素，大模型制定最优的生产调度方案，合理安排生产任务、设备资源、人力资源等，实现生产过程的智能化管理，提高生产资源的利用率和生产效率，确保订单按时交付。零售

大模型应用解决方案是基于大规模预训练模型，针对不同行业和领域的特定需求所构建的系统性应用策略与技术架构，旨在利用大模型强大的语言理解、生成和推理能力，解决实际业务问题并创造价值。医疗领域解决方案智能研发成本。健康管理与疾病预测：基于个人的健康档案、生活习惯数据以及连续的健康监测数据，大模型可对个体健康状况进行评估，预测疾病发生风险，提供个性化的健康管理方案，包括饮食、运动、预防保健建议等，实现疾病。产品设计与创新：基于市场需求调研、用户反馈、技术趋势等数据，大模型为产品设计团队提供创意构思、设计方案评估、功能优化建议等，助力开发更具竞争力的产品，缩短产品研发周期，快速响应市场变化。智能生产调度灵感、丰富的案例素材以及语言表达优化建议，还可对现有教育内容进行质量评估和改进，提升教育资源的质量和吸引力。制造业领域解决方案生产质量控制与预测性维护：在生产线上，大模型结合传感器数据、生产工艺参数与管理：根据订单需求、生产能力、资源状况等因素，大模型制定最优的生产调度方案，合理安排生产任务、设备资源、人力资源等，实现生产过程的智能化管理，提高生产资源的利用率和生产效率，确保订单按时交付。零售

大模型应用解决方案是基于大规模预训练模型，针对不同行业和领域的特定需求所构建的系统性应用策略与技术架构，旨在利用大模型强大的语言理解、生成和推理能力，解决实际业务问题并创造价值。医疗领域解决方案智能研发成本。健康管理与疾病预测：基于个人的健康档案、生活习惯数据以及连续的健康监测数据，大模型可对个体健康状况进行评估，预测疾病发生风险，提供个性化的健康管理方案，包括饮食、运动、预防保健建议等，实现疾病。产品设计与创新：基于市场需求调研、用户反馈、技术趋势等数据，大模型为产品设计团队提供创意构思、设计方案评估、功能优化建议等，助力开发更具竞争力的产品，缩短产品研发周期，快速响应市场变化。智能生产调度灵感、丰富的案例素材以及语言表达优化建议，还可对现有教育内容进行质量评估和改进，提升教育资源的质量和吸引力。制造业领域解决方案生产质量控制与预测性维护：在生产线上，大模型结合传感器数据、生产工艺参数与管理：根据订单需求、生产能力、资源状况等因素，大模型制定最优的生产调度方案，合理安排生产任务、设备资源、人力资源等，实现生产过程的智能化管理，提高生产资源的利用率和生产效率，确保订单按时交付。零售

大模型应用解决方案是基于大规模预训练模型，针对不同行业和领域的特定需求所构建的系统性应用策略与技术架构，旨在利用大模型强大的语言理解、生成和推理能力，解决实际业务问题并创造价值。医疗领域解决方案智能研发成本。健康管理与疾病预测：基于个人的健康档案、生活习惯数据以及连续的健康监测数据，大模型可对个体健康状况进行评估，预测疾病发生风险，提供个性化的健康管理方案，包括饮食、运动、预防保健建议等，实现疾病。产品设计与创新：基于市场需求调研、用户反馈、技术趋势等数据，大模型为产品设计团队提供创意构思、设计方案评估、功能优化建议等，助力开发更具竞争力的产品，缩短产品研发周期，快速响应市场变化。智能生产调度灵感、丰富的案例素材以及语言表达优化建议，还可对现有教育内容进行质量评估和改进，提升教育资源的质量和吸引力。制造业领域解决方案生产质量控制与预测性维护：在生产线上，大模型结合传感器数据、生产工艺参数与管理：根据订单需求、生产能力、资源状况等因素，大模型制定最优的生产调度方案，合理安排生产任务、设备资源、人力资源等，实现生产过程的智能化管理，提高生产资源的利用率和生产效率，确保订单按时交付。零售

OverviewAclusterisaHippoCloudinstanceassociatedwithspecificcomputingresources.Youcancreaterelatedtables,insertcorrespondingdata,andcompleteproductexperiencewithinacluster.Beforeyouusethedemoenvironment,youneedtocreateacluster.CreateClusterYouneedtogotothespecificproject.Iftherearenoclustersunderthecurrentproject,youcanclickthe'Createcluster'buttonbelowtheclustercreationguidancepagetoentertheclustercreation.Ifthereareclustersunderthecurrentproject,youcanclickthe'+Cluster'buttonabovetheclusterlist...

ThistutorialwillguideyouthroughthefollowingtaskswithinHippoCloud:EstablishingatablePerusingthetableIncorporatingdataExecutingsearchoperationsEliminatingrowsDissolvingthetableBeforeyoustartInthisguide,wewillbeutilizingthePythonAPI.Priortocommencement,ensurethatyouhave:RegisteredforaHippoCloudaccount.SubscribedtothecomplimentaryplanandestablishedatrialclusterwithinHippoCloud,orsubscribedtothestandard/enterpriseplansandconstructedadedicatedcluster.IfyouanticipateemployingPythonfordevelopment,ascert...

过滤条件表达式Hippo当前支持如下表达式，可用于标量或向量查询。表46.过滤条件表达式表达式描述and当前版本支持and，不支持or/not==等值<小于⇐小于等于>大于>=大于等于inin[1,2,3]notinnot_in[1,2,3]like'_'表示匹配任一字符，'%'表示匹配任意字符，'\'为转义符向量相似性检索本节描述如何进行向量相似度搜索。Hippo中的向量相似性搜索计算查询向量与表中向量的距离，返回最相似的结果集。通过指定标量过滤条件，用户可以进行向量与标量的混合搜索。curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/{table}/_search?pretty'-H'Content-Type:application/json'-d'{"output_fields":["book_id"],"search_params":{"anns_field":"book_intro","topk":2,"params":{"nprobe":10},"embedding_index":"ivf_flat_index"}...

Hippo在1.2版本提供了全文索引能力，兼容ElasticSearch6.7.2语法，在底层架构上复用了公司产品TranswarpScope的一部分特性，支持以Java/HTTPRestful的形式通过Hippo的HTTPServer接口进行全文索引的创建、查询、使用等各类需求，通过该能力的支持，可以更好的实现向量与全文的混合检索。通过将向量检索加全文检索的联合召回，可以降低漏检和误检的概率，能够实现比单独使用向量或全文更高的精度。同时，一套数据库系统可避免部署多套系统带来的架构复杂、开发运维成本高等问题。具体的使用方法除了访问端口需要将端口从8902调整为9200外，均可参考《TranswarpScope手册》4.TranswarpScopeAPI介绍。

查看Master节点通过以下命令，查看集群Master节点信息：curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/master?v'返回结果：epochtimestampactive.master.hostactive.master.portmaster.group169079683909:47:19172.29.203.18926841172.29.203.189:26841,172.29.203.189:26851,172.29.203.189:26861查看数据节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes?v'//查看所有节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes/{node}?v'//{node}表示待匹配的节点地址，支持以*通配，支持指定多个pattern，多个pattern以逗号分割返回结果：

在Hippo中，比较耗时的操作如激活、加载向量索引实际上是一个分布式任务，用户可以通过任务相关接口查看、删除任务。查看任务curl-ushiva:shiva-XGET"localhost:8902/hippo/v1/_jobs?pretty"-H'Content-Type:application/json'-d'{"job_ids":["fc6feff4f303455a9347f9aab323dfc8"],"action_patterns":["hippo*"]}';返回结果：{"jobs":[{"job_id":"810935a1d91a46b7af2ec35013454fed","job_status":"SHIVA_JOB_SUCCESS","embedding_number":100,"task_results":[{"id":"54ab52493dfb4bab9fb7742d850c64c4","status":"TASK_SUCCESS","server":"172.29.40.26:27841","embedding_number":100,"execute_time":...

运维管理界面WebserverWebserver是Hippo提供运维监控的界面。默认访问地址为:4567"class="bare">http://<webserver_ip>:4567。或者在Manager管理界面我们可以通过下图所示的查看链接这里进行跳转。图15.登录HippoWebserverWebserver主要由下面几个部分构成。概况图16.概况该页面展示了Hippo集群的基本信息，包括：Masterstatus：当前的ActiveMaster，MasterGroup，MasterAddress，Master的健康状态TabletServerStatus：TabletServerAddress，健康状态，逻辑机架和数据中心信息，容量使用以及Tablet个数TabletNum：当前集群表的个数Version：Hippo版本信息库表图17.库表页面以库和表的概念集群存储的各类数据信息。库信息：库名库创建时间库内各类表的信息：点击某个库，可以看到库下所有表的信息，主要包括：••表的ID••表的名字••表的状态••表的Tablet数量••表的Engine类型••表的副本数•...

本节测试主要描述了Hippo1.0在关键测试上的一些性能表现，该份测试同样也是Hippo的基准测试，后续版本发布也会在不同版本上进行该测试进行对比分析。术语表142.Hippo性能测试术语TermDescriptionnq一次搜索请求中搜索的向量个数topk一次请求中对于要检索的每个向量(依赖nq)，所能检索到最近距离的向量个数RT一次请求从发起到接受响应的时间]QPS请求在每秒内成功执行的次数dataset测试所用数据集，不同数据集表示不同的业务场景测试集群配置硬件配置表143.性能测试硬件配置硬件规范Nodes3CPUIntel®Xeon®Gold5218RCPU@2.10GHzMemory16*\16GBRDIMM,3200MT/sDISKNVMeSSD2T*4GPUNONE软件配置表144.性能测试软件配置软件版本Hippov1.2TranswarpManagerTDH9.3.0测试集表145.性能测试数据集数据集名称数据集介绍向量维度向量总数查询数量数据总量距离类型Sift-128-euclidean该数据集是基于Texmex的数据集整理，使用SIFT算法得到的图片特征向量。...

OverviewUnstructureddatamanagementismoreimportantthaneverduetotheriseofbigdata.Managingandgleaningbusinessvaluefromunstructureddataisofutmostimportancetoenterprisestoday.Advancementsinmachinelearning,aswellasdeeplearning,technologiesnowenableorganizationstoefficientlyaddressunstructureddataandimprovequalityassuranceefforts.Inthefieldofartificialintelligenceormachinelearning,embeddingsandvectordatabaseshavebecomeincreasinglyimportantfortacklingawiderangeofproblems.Thesetechniquesareusedtorepresen...

本节介绍Hippo表写入相关操作。Hippo会返回写入成功数据的下标以及总共写入成功的数据条数，如果出现行级错误（比如主键冲突），Hippo会返回具体的行级错误。插入本节介绍如何向Hippo中插入数据。curl-ushiva:shiva-XPUT'localhost:8902/hippo/v1/{table}/_bulk?database_name={database_name}&pretty'-H'Content-Type:application/json'-d'{"fields_data":[{"field_name":"book_id","field":[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74...