第三讲 茴香豆微信部署

在InternLM Studio上部署茴香豆技术助手是一个涉及多个步骤的过程，从环境配置到模型安装，再到知识库的创建和测试，每一步都至关重要。通过精心的配置和持续的维护，茴香豆能够有效地提供技术支持，帮助用户解决问题，提高工作效率。随着技术的不断进步，茴香豆的功能和性能也将不断优化，为用户提供更好的服务体验。

将rag产品接入微信工作群，自动回答问题

如果问答效果不理想，尝试调整正反例。

所谓的语料也就是新增知识数据，也就是这个小逼崽子的饲料，拿这些语料去数据去喂它它才能知道这么回答你问题（本地的语料数据库）----（后面会教你接通互联网，就可以直接用外界互联网的数据库来补充茴香豆的知识库）我是在autodl是租用的服务器来运行这次demo的，实在是一波三折啊，太难了，后续还是对操作文档的一句一句细致的精读，慢慢的理解思考，才最后解决了问题，成功部署！而茴香豆的主要应用目前是部署在微信群和飞书群中，用于解答群聊中的问题，并且可以根据群聊的记录自动分析哪些是闲聊哪些是真正的技术问题并解答。

书生浦语第一次课。

问答结果很好地从另一片文章里提取了相关的答案，因为上面的答案基本跟这片文章没有太大关系，所以这轮回答的结果真的是很好地提取了不同文章间的关联性。界面主要功能：1、添加文档：用于充实知识库；2、添加正反例：用于过滤不需要响应的问题；3、微信、飞书集成教程；出现了一个很奇怪的现象，感觉正反例没起作用还是啥情况，第一轮是检测相关度低，第二轮回答了第一轮的问题，这个还需要更多尝试。对文献的总结概括相当不错，下面还会给出相应的参考文献。确实起作用了，识别出来“你还，介绍下自己”这是个不应该回答的问题。

是由书生·浦语团队开发的一款开源、专门针对国内企业级使用场景设计并优化的知识问答工具。在基础 RAG 课程中我们了解到，RAG 可以有效的帮助提高 LLM 知识检索的相关性、实时性，同时避免 LLM 训练带来的巨大成本。在实际的生产和生活环境需求，对 RAG 系统的开发、部署和调优的挑战更大，如需要解决群应答、能够无关问题拒答、多渠道应答、更高的安全性挑战。因此，根据大量国内用户的实际需求，总结出了的茴香豆知识问答助手架构，帮助企业级用户可以快速上手安装部署。

3.从网络上搜关于汤晓鸥老师的生平和各种相关信息，整理出一篇《汤晓鸥文集》，pdf格式。完成不少于 400 字的笔记 + 线上茴香豆助手对话截图(不少于5轮)在 InternLM Studio 上部署茴香豆技术助手，已完成。在茴香豆 Web 版中创建自己领域的知识问答助手，已完成。4.将《汤晓鸥文集》文件，通过茴香豆web页面上传。1.创建知识库bbj_doudou;6.跟茴香豆助手进行了对话。5.简单设置了一下正反例；2.进入新创建的知识库;

茴香豆是由书生·浦语团队开发的一款开源、专门针对国内企业级使用场景设计并优化的知识问答工具。在基础 RAG 课程中我们了解到，RAG 可以有效的帮助提高 LLM 知识检索的相关性、实时性，同时避免 LLM 训练带来的巨大成本。在实际的生产和生活环境需求，对 RAG 系统的开发、部署和调优的挑战更大，如需要解决群应答、能够无关问题拒答、多渠道应答、更高的安全性挑战。因此，根据大量国内用户的实际需求，总结出了三阶段Pipeline的茴香豆知识问答助手架构，帮助企业级用户可以快速上手安装部署。茴香豆特点。

此外还有JetBrains、Vim等插件，这里不一一描述，可以针对自己有场景的情况去使用，这里推荐的工具都可以直接对接DeepSeek模型，非常方便。

【代码】第3节作业。

具体笔记在下面的链接里。

微信版本 8.0.47 （其他版本没效果，因为微信版本强绑定了 ViewID）；一个测试用的微信其余的按照步骤一步一步操作就行。【应用方向】结合自己擅长的领域知识（游戏、法律、电子等）、专业背景，搭建个人工作助手或者垂直领域问答助手，参考茴香豆官方文档，部署到下列任一平台。• 根据教程文档搭建 茴香豆技术助手，针对问题"茴香豆怎么部署到微信群？也基本还是能够完成，但是为啥没有识别出来不调用知识库还是使用了参考文档吗？基本上安装教程步骤一步一步的来，就没什么问题，非常的棒。

【代码】茴香豆：搭建你的 RAG 智能助理（InternLM 实战营第三次作业）

监控系统“看得见”是底线，“看得清”是要求，“一直看得清”才是目标。

**今天你必须知道的 3 件事：** > ① 智谱 GLM-5.2 正式上线开源，Code Arena 全球可用模型排名第一 > ② 科创板上市标准扩围至 AI 大模型行业，未盈利 AI 公司上市通道打开 > ③ A 股沪指收复 4100 点，科创 50 暴涨 4.69%，半导体全面爆发

本文系统介绍了智能体脂秤的产品概况、硬件架构设计、软件架构设计、关键技术挑战及解决方案。产品方面，概述了主流型号、目标用户和市场定位；硬件设计重点分析了芯片选型、BOM成本及PCB布局；软件架构详述了FreeRTOS系统选型及分层协议设计；技术挑战部分提出了Wi-Fi/BLE共存、阻抗测量精度等解决方案；最后展望了市场前景和2025年趋势。全文为体脂秤开发提供了全面的技术指导，特别适合IoT硬件开发者参考。

美团智能创作团队围绕海报生成 AIGC 构建了完整技术体系，打造「生成-编辑-评判」技术闭环，目前已在美团外卖、品牌 IP 等场景落地，已全部开源。

本文围绕 HTML5 中的 Canvas 技术展开，从网页游戏的发展背景出发，系统介绍了 Canvas 画布的基本概念、绘图上下文获取方式以及常用绘图 API 的使用方法。通过矩形绘制、边框绘制和画布清除等案例，帮助读者理解 Canvas 的坐标体系与绘图原理。随后结合动画示例，深入讲解了浏览器动画实现机制、游戏循环思想以及 `requestAnimationFrame` 的工作原理，并分析其相较于 `setInterval` 的性能优势。