# 利用 Azure OpenAI 部署你自己的知识库聊天机器人 ## 概述 [AutoFlow](https://github.com/pingcap/autoflow) 是一款基于 Graph RAG 的对话式知识库聊天助手，由 TiDB 向量存储和 LlamaIndex 构建而成，开源且可免费使用。 + 在本实验中，你将学习如何： + 将你自己的知识（Word/PDF/TXT/Markdown 等格式）导入知识库。 + 使用聊天机器人在知识库中搜索信息。 + 连接到为你预配的 TiDB Cloud Serverless 集群并在其上运行查询。该集群同时作为向量存储和图数据库。 + 向 [这样](https://tidb.ai) 部署你自己的知识库聊天机器人。 ![70%](https://lab-static.pingcap.com/quick-demo/taa-example-does-tidb-support-fk.jpeg) ### 实验时长 + 本实验预计大约需要 1 小时完成。 ### 任务 + 使用 [pingcap/autoflow](https://github.com/pingcap/autoflow) 代码库部署知识库应用程序。 + 配置你的知识库应用程序。 + 与人工智能聊天机器人进行随机聊天，查看它是否能利用知识库中的信息回答你的问题。 > [!TIP] > 点击 **开始** 启动实验环境。 > 环境准备就绪后，点击底部工具栏中的 **前进** 进入 **模块 1**。 > 然后，按照实验指南的步骤连接到实践环境并开始你的任务。 ## 模块 1：准备运行时环境并初始化 AutoFlow 服务 ### 步骤 1. 登录应用服务器虚拟机 + 点击这里 - [终端 1](ssh://monitor1-ssh#1) 打开一个新的终端，连接到为你的实践实验分配的虚拟机。 + 登录后显示的信息如下： ```output ubuntu@ip-10-90-1-154:~$ ``` ### 步骤 2. 安装 Docker、Docker Compose、MySQL 客户端等必要软件包 + 卸载旧版本的 Docker 和 Docker Compose。 ```bash for pkg in docker.io docker-doc docker-compose docker-compose-v2 podman-docker containerd runc; do sudo apt-get remove $pkg; done ``` ```output Reading package lists... Done Building dependency tree... Done Reading state information... Done . . . Reading state information... Done Package 'runc' is not installed, so not removed 0 upgraded, 0 newly installed, 0 to remove and 30 not upgraded. ``` + 添加 Docker 的官方 GPG 密钥。 ```bash sudo apt-get update -y sudo apt-get install ca-certificates curl -y sudo install -m 0755 -d /etc/apt/keyrings sudo curl -fsSL https://download.docker.com/linux/ubuntu/gpg -o /etc/apt/keyrings/docker.asc sudo chmod a+r /etc/apt/keyrings/docker.asc ``` ```output Hit:1 http://us-west-2.ec2.archive.ubuntu.com/ubuntu noble InRelease Get:2 http://us-west-2.ec2.archive.ubuntu.com/ubuntu noble-updates InRelease [126 kB] . . . Get:15 http://us-west-2.ec2.archive.ubuntu.com/ubuntu noble-updates/main Translation-en [151 kB] Fetched 30.6 MB in 5s (6133 kB/s) Reading package lists... Done Reading package lists... Done Building dependency tree... Done Reading state information... Done ca-certificates is already the newest version (20240203). ca-certificates set to manually installed. curl is already the newest version (8.5.0-2ubuntu10.4). curl set to manually installed. 0 upgraded, 0 newly installed, 0 to remove and 33 not upgraded. ``` + 将存储库添加到 `apt` 源。 ```bash echo \ "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.asc] https://download.docker.com/linux/ubuntu \ $(. /etc/os-release && echo "$VERSION_CODENAME") stable" | \ sudo tee /etc/apt/sources.list.d/docker.list > /dev/null sudo apt-get update -y ``` ```output Reading package lists... Done . . . Get:6 https://download.docker.com/linux/ubuntu noble/stable amd64 Packages [15.3 kB] Fetched 64.2 kB in 1s (79.9 kB/s) Reading package lists... Done ``` + 安装 Docker 软件包。 ```bash sudo apt-get install -y docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin ``` ```output Reading package lists... Done Building dependency tree... Done Reading state information... Done . . . No VM guests are running outdated hypervisor (qemu) binaries on this host. ``` + 通过运行 `hello-world` 镜像验证 Docker 是否正确安装。 ```bash sudo docker run hello-world ``` ```output Unable to find image 'hello-world:latest' locally latest: Pulling from library/hello-world c1ec31eb5944: Pull complete Digest: sha256:d211f485f2dd1dee407a80973c8f129f00d54604d2c90732e8e320e5038a0348 Status: Downloaded newer image for hello-world:latest Hello from Docker! . . . To try something more ambitious, you can run an Ubuntu container with: $ docker run -it ubuntu bash Share images, automate workflows, and more with a free Docker ID: https://hub.docker.com/ For more examples and ideas, visit: https://docs.docker.com/get-started/ ``` + 安装 MySQL 客户端。 ```bash sudo apt-get install -y mysql-client-core-8.0 ``` ```output Reading package lists... Done Building dependency tree... Done Reading state information... Done The following NEW packages will be installed: mysql-client-core-8.0 0 upgraded, 1 newly installed, 0 to remove and 33 not upgraded. Need to get 2794 kB of archives. After this operation, 61.6 MB of additional disk space will be used. Get:1 http://us-west-2.ec2.archive.ubuntu.com/ubuntu noble-updates/main amd64 mysql-client-core-8.0 amd64 8.0.39-0ubuntu0.24.04.2 [2794 kB] Fetched 2794 kB in 0s (34.7 MB/s) Selecting previously unselected package mysql-client-core-8.0. (Reading database ... 68102 files and directories currently installed.) Preparing to unpack .../mysql-client-core-8.0_8.0.39-0ubuntu0.24.04.2_amd64.deb ... Unpacking mysql-client-core-8.0 (8.0.39-0ubuntu0.24.04.2) ... Setting up mysql-client-core-8.0 (8.0.39-0ubuntu0.24.04.2) ... Processing triggers for man-db (2.12.0-4build2) ... Scanning processes... Scanning linux images... Running kernel seems to be up-to-date. No services need to be restarted. No containers need to be restarted. No user sessions are running outdated binaries. No VM guests are running outdated hypervisor (qemu) binaries on this host. ``` ### 步骤 3. 克隆并配置 AutoFlow + 克隆 pingcap/autoflow 代码库，并导航到 `autoflow` 目录。 ```bash git clone https://github.com/pingcap/autoflow; cd autoflow; git fetch origin v0.4.1; git checkout v0.4.1; git switch --detach d2300a3a9f43c8d3545d057c2943c9ecbf4b6b8a; ``` ```output Cloning into 'autoflow'... remote: Enumerating objects: 12041, done. remote: Counting objects: 100% (538/538), done. remote: Compressing objects: 100% (264/264), done. remote: Total 12041 (delta 312), reused 446 (delta 268), pack-reused 11503 (from 1) Receiving objects: 100% (12041/12041), 4.33 MiB | 22.07 MiB/s, done. Resolving deltas: 100% (7431/7431), done. ``` + 使用以下值更新 `.env` 文件： ```bash cat > .env <<'EOF' ENVIRONMENT=production SECRET_KEY="some_secret_key_that_is_at_least_32_characters_long" TIDB_HOST=serverless_host TIDB_PORT=serverless_port TIDB_USER='serverless_username' TIDB_PASSWORD='serverless_password' TIDB_DATABASE=tidbai_test TIDB_SSL=true EMBEDDING_DIMS=1536 EMBEDDING_MAX_TOKENS=8191 EOF cat .env ``` ```output ENVIRONMENT=production SECRET_KEY="some_secret_key_that_is_at_least_32_characters_long" TIDB_HOST=serverless_host TIDB_PORT=serverless_port TIDB_USER='serverless_username' TIDB_PASSWORD='serverless_password' TIDB_DATABASE=tidbai_test TIDB_SSL=true EMBEDDING_DIMS=1536 EMBEDDING_MAX_TOKENS=8191 ``` ### 步骤 4. 确保你的数据库已清理并为后续步骤做好准备 + 使用以下命令连接到 TiDB Cloud Serverless 集群。 ```bash mysql \ --comments -u 'serverless_username' -p'serverless_password' \ -h serverless_host -P serverless_port \ --ssl-mode=VERIFY_IDENTITY --ssl-ca=/etc/ssl/certs/ca-certificates.crt ``` ```output mysql: [Warning] Using a password on the command line interface can be insecure. Welcome to the MySQL monitor. Commands end with ; or \g. Your MySQL connection id is 2168969 Server version: 5.7.28-TiDB-Serverless TiDB Server (Apache License 2.0) Community Edition, MySQL 5.7 compatible Copyright (c) 2000, 2024, Oracle and/or its affiliates. Oracle is a registered trademark of Oracle Corporation and/or its affiliates. Other names may be trademarks of their respective owners. Type 'help;' or '\h' for help. Type '\c' to clear the current input statement. mysql> ``` + 删除现有数据库并创建一个新数据库。 ```bash DROP DATABASE IF EXISTS tidbai_test; CREATE DATABASE tidbai_test; EXIT; ``` ```output mysql> DROP DATABASE IF EXISTS tidbai_test; Query OK, 0 rows affected (0.00 sec) mysql> CREATE DATABASE tidbai_test; Query OK, 0 rows affected (0.12 sec) mysql> EXIT; Bye ``` ### 步骤 5. 创建 schema + 运行 data migration 以创建表并设置初始管理员用户 请注意输出中红色行生成的管理员密码。 ```bash sudo docker compose run backend /bin/sh -c "alembic upgrade head"; sudo docker compose run backend /bin/sh -c "python bootstrap.py"; ``` ```output [+] Creating 1/0 ✔ Container tidb-ai-redis-1 Running 0.0s INFO [alembic.runtime.migration] Context impl MySQLImpl. INFO [alembic.runtime.migration] Will assume non-transactional DDL. INFO [alembic.runtime.migration] Running upgrade -> 2fc10c21bf88, empty message INFO [alembic.runtime.migration] Running upgrade 2fc10c21bf88 -> 94b198e20946, empty message INFO [alembic.runtime.migration] Running upgrade 94b198e20946 -> 04d4f05116ed, empty message INFO [alembic.runtime.migration] Running upgrade 04d4f05116ed -> 197bc8be72d1, empty message INFO [alembic.runtime.migration] Running upgrade 197bc8be72d1 -> ac6e4d58580d, empty message INFO [alembic.runtime.migration] Running upgrade ac6e4d58580d -> a8c79553c9f6, empty message INFO [alembic.runtime.migration] Running upgrade a8c79553c9f6 -> bd17a4ebccc5, empty message INFO [alembic.runtime.migration] Running upgrade bd17a4ebccc5 -> e32f1e546eec, empty message INFO [alembic.runtime.migration] Running upgrade e32f1e546eec -> 04d81be446c3, empty message INFO [alembic.runtime.migration] Running upgrade 04d81be446c3 -> 041fbef26e3a, empty message INFO [alembic.runtime.migration] Running upgrade 041fbef26e3a -> 10f36e8a25c4, empty message INFO [alembic.runtime.migration] Running upgrade 10f36e8a25c4 -> 00534dc350db, empty message INFO [alembic.runtime.migration] Running upgrade 00534dc350db -> eb0b85608c0a, empty message INFO [alembic.runtime.migration] Running upgrade eb0b85608c0a -> dfee070b8abd, empty message WARN[0000] Found orphan containers ([tidb-ai-backend-run-d4d35b6b5909]) for this project. If you removed or renamed this service in your compose file, you can run this command with the --remove-orphans flag to clean it up. [+] Creating 1/0 ✔ Container tidb-ai-redis-1 Running 0.0s Bootstrapping the application... /usr/local/lib/python3.11/site-packages/pydantic/_internal/_config.py:341: UserWarning: Valid config keys have changed in V2: * 'orm_mode' has been renamed to 'from_attributes' warnings.warn(message, UserWarning) User 019309f5-2a8f-7e9d-b848-cc81312e598a has registered. !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! [IMPORTANT] Admin user created with email: admin@example.com and password: !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! None of PyTorch, TensorFlow >= 2.0, or Flax have been found. Models won't be available and only tokenizers, configuration and file/data utilities can be used. Default chat engine created. Bootstrapping completed. ``` ### 步骤 6. 通过运行以下 `docker compose` 命令启动知识库应用程序 ```bash sudo docker compose up -d ``` ```output [+] Running 43/33 ✔ backend Pulled 51.9s ✔ background Pulled 51.9s ✔ redis Pulled 6.5s ✔ frontend Pulled 36.8s [+] Running 5/5 ✔ Network tidb-ai_default Created 0.3s ✔ Container tidb-ai-redis-1 Started 35.0s ✔ Container tidb-ai-backend-1 Started 0.7s ✔ Container tidb-ai-background-1 Started 0.7s ✔ Container tidb-ai-frontend-1 Started 0.9s ``` ## 模块 2：配置 Azure OpenAI + 在本模块中，我们将介绍如何在 Azure OpenAI 服务中配置 Azure OpenAI 服务、嵌入模型和大语言模型。 + 更多详细信息，请参考： + [Azure OpenAI documentation](https://learn.microsoft.com/en-us/azure/ai-services/openai/reference) + [Create and deploy an Azure OpenAI Service resource](https://learn.microsoft.com/en-us/azure/ai-services/openai/how-to/create-resource?pivots=web-portal) ### 步骤 1. 创建 Azure OpenAI 服务 + 第一步，我们将创建一个 Azure OpenAI 服务。首先要登录 [Azure portal](https://portal.azure.com/#home)。如果这是你首次登录，你将看到以下页面。 ![Azure Empty Portal](https://public-pingcap-innovation.s3.us-west-2.amazonaws.com/azure-empty-portal.jpg) + 点击 Azure AI services 按钮。 + 在 Azure OpenAI 账户部分点击 Create 按钮。 ![Azure AI Services](https://public-pingcap-innovation.s3.us-west-2.amazonaws.com/azure-ai-services.jpg) + 按照说明创建一个 Azure OpenAI 服务。 > **注意**: > > + Azure OpenAI 模型受限于 Azure OpenAI 服务所在的区域。例如，如果你在 `Southeast Asia` 区域创建一个 Azure OpenAI 服务，很可能无法创建 Azure OpenAI 模型。 > + 请在 `Network` 部分选择 "All networks, including the internet, can access this resource." 选项。这样 Azure OpenAI 服务就能从互联网访问。 > + Azure OpenAI 服务可免费使用，更多详细信息请参考 [Azure OpenAI pricing](https://azure.microsoft.com/en-us/pricing/details/cognitive-services/) 。 + Azure OpenAI 服务创建完成后，你将看到以下页面。 ![Azure Created Portal](https://public-pingcap-innovation.s3.us-west-2.amazonaws.com/azure-created-portal.jpg) + 一旦我们创建了 Azure OpenAI 服务，就可以部署一个嵌入模型。请注意，Azure OpenAI 服务或多或少像一个容器，所以你需要在 Azure OpenAI 服务中部署嵌入模型和大语言模型。 ### 步骤 2. 部署嵌入模型 + 在这一步，我们将在 Azure OpenAI 服务中部署一个嵌入模型。我们需要进入一个单独的页面 [Azure AI Foundry](https://ai.azure.com/resource/deployments) 来部署嵌入模型。 ![Azure AI Foundry](https://public-pingcap-innovation.s3.us-west-2.amazonaws.com/azure-ai-foundry-deployment.jpg) + 点击 Deploy model ，然后点击 Deploy base model 按钮。 + 选择 `text-embedding-3-small` 模型。 + 点击 Confirm 按钮。 + 在弹出窗口中点击 Deploy 按钮。 ![Azure AI Foundry Embedding Model Deployment](https://public-pingcap-innovation.s3.us-west-2.amazonaws.com/azure-ai-foundry-embedding-deploy.jpg) + 恭喜！你已成功在 Azure OpenAI 服务中部署了一个嵌入模型。 ### 步骤 3. 部署大语言模型 + 在这一步，我们将在 Azure OpenAI 服务中部署一个大语言模型。我们将像部署嵌入模型一样，在 Azure AI Foundry 中部署 `gpt-4o` 模型。 + 点击页面左侧的 Deployments 选项卡，回到 **Model deployments** 页面。 + 点击 Deploy model ，然后点击 Deploy base model 按钮。 + 选择 `gpt-4o` 模型。 + 点击 Confirm 按钮。 + 在弹出窗口中点击 Deploy 按钮。 + 恭喜！你已成功在 Azure OpenAI 服务中部署了一个大语言模型。 ### 步骤 4. 收集参数 + 现在，我们需要收集 Azure OpenAI 服务、嵌入模型和大语言模型的参数，以便稍后在 AutoFlow 应用程序中使用。 + 点击 `text-embedding-3-small` 模型，你将看到 `text-embedding-3-small` 模型页面。 ![Azure AI Foundry Parameters Collecting - Embedding Model](https://public-pingcap-innovation.s3.us-west-2.amazonaws.com/azure-ai-foundry-embedding-collection.jpg) + 点击 `gpt-4o` 模型，你将看到 `gpt-4o` 模型页面。 ![Azure AI Foundry Parameters Collecting - Large Language Model](https://public-pingcap-innovation.s3.us-west-2.amazonaws.com/azure-ai-foundry-llm-collection.jpg) + 现在，我们已经收集了 Azure OpenAI 服务、嵌入模型和大语言模型的参数。稍后我们将在 AutoFlow 应用程序中使用这些参数。 + Azure OpenAI Endpoint + Azure OpenAI API Key + Embedding API Version + LLM API Version + LLM Deployment Name ## 模块 3：配置并填充知识库 ### 步骤 1. 配置 LLM + 通过在浏览器中访问 [http://monitor1_address:3000](http://monitor1_address:3000) 来访问并配置知识库应用程序，你将看到以下页面。 + 使用默认管理员用户 `admin@example.com` 和你在 模块1, 步骤 5 中获得的密码登录。 ![60%](https://lab-static.pingcap.com/quick-demo/taa-app-credentials.jpeg) + 点击 Models ，然后点击 LLMs 选项卡，接着点击 New LLM 按钮。 + 输入以下信息，然后如下图所示点击 Create LLM 按钮。请用你在 模块 2，步骤 4 中收集的参数替换占位符： + Name: my-azure-openai-llm + Provider: Azure OpenAI + Model: gpt-4o + Azure OpenAI API Key: ${Azure OpenAI API Key} + Is Default LLM: Yes + Advanced Settings: ```json { "azure_endpoint": "${Azure OpenAI Endpoint}", "api_version": "${LLM API Version}", "engine": "${LLM Deployment Name}" } ``` ![Autoflow LLM Creation](https://public-pingcap-innovation.s3.us-west-2.amazonaws.com/autoflow-config-llm.jpg) ### 步骤 2. 配置嵌入模型 + 点击 Models ，然后点击 Embedding Models 选项卡，接着点击 New Embedding Model 按钮。 + 输入以下信息，然后如下图所示点击 Create Embedding Model 按钮。请用你在 模块 2，步骤 4中收集的参数替换占位符： + Name: my-azure-openai-embedding + Provider: Azure OpenAI + Model: text-embedding-3-small + Azure OpenAI API Key: ${Azure OpenAI API Key} + Vector Dimensions: 1536 + Advanced Settings: ```json { "azure_endpoint": "${Azure OpenAI Endpoint}", "api_version": "${Embedding API Version}" } ``` ![Autoflow Embedding Model Creation](https://public-pingcap-innovation.s3.us-west-2.amazonaws.com/autoflow-config-embedding.jpg) ### 步骤 3. 填充知识库 + 点击 Knowledge Base 选项卡，然后点击 New Knowledge Base 按钮。 + 输入以下信息，然后点击 Create 按钮： + Name: tidb overview + Description: tidb overview + LLM: my-azure-openai-llm + Embedding Model: my-azure-openai-embedding + Knowledge Graph Index: Yes ![Autoflow Knowledge Base Creation](https://public-pingcap-innovation.s3.us-west-2.amazonaws.com/autoflow-config-kb.jpg) ### 步骤 4. 创建数据源 + 在 Knowledge Base 页面，点击 Data Sources 选项卡，然后点击 Web Pages 按钮。 + 在 Page URL 下点击 New Item 按钮，输入以下信息，然后点击 Create 按钮： + Page URL: https://docs.pingcap.com/tidb/stable/overview + Datasource Name: tidb overview ![Autoflow Data Source Creation](https://public-pingcap-innovation.s3.us-west-2.amazonaws.com/autoflow-config-data-source.jpg) ### 步骤 5. 观察索引进度 + 点击 Index Progress 选项卡，导航到索引进度状态页面，检查索引任务的进度。 + 你快完成了！现在应用程序正在后台运行一个任务，从你提供的 URL 下载内容。 + 如果圆圈颜色为蓝色，表示内容正在下载。 + 如果圆圈颜色为绿色，表示内容已成功下载并导入（索引），这意味着你可以开始与AI聊天机器人聊天了。 ![Built Index](https://public-pingcap-innovation.s3.us-west-2.amazonaws.com/autoflow-built-index.jpg) ### 步骤 6. 配置默认聊天引擎 + 现在，我们已经有了一个知识库，以及一个 LLM, and 和一个嵌入模型，我们可以配置聊天引擎来与 AI 聊天机器人聊天。 + 点击 Chat Engines 选项卡，然后点击 default 聊天引擎。 + 点击 Retrieval 项卡，然后选择你刚刚创建的知识库，接着点击 Save 按钮。 ![Autoflow Default Chat Engine Configuration](https://public-pingcap-innovation.s3.us-west-2.amazonaws.com/autoflow-chat-engine-config.jpg) ### 步骤 7. 使用你刚刚构建的聊天机器人 + 在浏览器中打开 [http://monitor1_address:3000](http://monitor1_address:3000) ，或者点击 Home 开始与人工智能聊天机器人聊天！只需提问： "What is TiDB?": + 开心地与你自己的人工智能聊天机器人聊天吧！ ![Autoflow Chat Start](https://public-pingcap-innovation.s3.us-west-2.amazonaws.com/autoflow-chat-start.jpg) ![Autoflow Chat Done](https://public-pingcap-innovation.s3.us-west-2.amazonaws.com/autoflow-chat-done.jpg) ## 模块 4：真实场景 在真实情境中，材料通常更为复杂。让我们展示来自 autoflow 客户的真实案例。 > **免责声明**： > > 以下问题基于 autoflow 的某真实客户，但我们进行了精炼以移除敏感信息并使其不可识别。同时，对于需要导入的材料，我们是自己制作的，并非客户的真实材料。 ### 第一步：确定问题的范围 这是一家来自快餐行业的客户，他们希望为员工构建一个知识库，以便查阅标准操作程序 (SOP)、食谱、食品储存指南和其他知识。 因此，来自客户的一些典型问题有： + 我可以要求客户支付小费吗？ + 如何制作“海陆双拼”？ + 生三文鱼何时应丢弃？ ### 第二步：下载材料 为了回答这些问题，我们需要将材料导入知识库。这是一个虚假的食品行业材料库，你可以从[仓库的发布页面](https://github.com/Icemap/fake-food-industry-material/releases)下载到本地计算机。 ![dataset release page](https://public-pingcap-innovation.s3.us-west-2.amazonaws.com/demo-403/dataset-release-page.jpg) 你可以下载 zip 文件或 tar.gz 文件，然后将其解压到本地计算机。 解压的结果是一个名为 `fake-food-industry-material-` 的文件夹，文件夹结构如下： ```output . ├── recipes │ ├── chicken_nuggets.md │ ├── chicken_sandwich.md │ ├── classic_hamburger.md │ ├── crispy_fried_chicken.md │ ├── fish_and_chips.md │ ├── french_fries.md │ ├── hot_dogs.md │ ├── milkshakes.md │ ├── onion_rings.md │ ├── pizza.md │ ├── soft_serve_ice_cream.md │ └── surf_and_turf.md ├── sop.md └── storage_guidelines ├── bread_products.md ├── dry_goods.md ├── frozen_foods.md └── prepared_foods.md ``` ### 第三步：将材料导入知识库 + 点击Knowledge Base标签，然后点击New Knowledge Base按钮。 + 输入以下信息，然后点击Create按钮： + 名称：食品行业知识库 + 知识图谱索引：是 ![food industry knowledge base](https://public-pingcap-innovation.s3.us-west-2.amazonaws.com/demo-403/food-industry-kb.jpg) + 知识库创建完成后，点击Data Sources标签，然后点击Files按钮。 + 点击Select files...按钮，然后选择你在模块 4，步骤 2中下载的 `fake-food-industry-material-` 文件夹。 ![food industry data source](https://public-pingcap-innovation.s3.us-west-2.amazonaws.com/demo-403/food-industry-data-source.jpg) + 填写数据源名称为 `Food Industry Data Source`，然后点击Create按钮。 + 数据源创建完成后，点击Index Progress标签以检查索引进度。 + 等待索引进度完成。 ![food industry index complete](https://public-pingcap-innovation.s3.us-west-2.amazonaws.com/demo-403/food-industry-index-complete.jpg) ### 第四步：使用食品行业知识库创建聊天引擎 + 点击Chat Engines标签，然后点击New Chat Engine按钮。 + 在名称部分输入`Food Industry Chat Engine`，然后点击Retrieval标签，在知识库部分选择`Food Industry Knowledge Base`，然后点击Create Chat Engine按钮。 ![food industry chat engine](https://public-pingcap-innovation.s3.us-west-2.amazonaws.com/demo-403/food-industry-chat-engine.jpg) ### 第五步：使用聊天机器人回答问题 + 点击Home标签，然后点击Select Chat Engine按钮。 + 然后选择`Food Industry Chat Engine`。 ![food industry chat engine select](https://public-pingcap-innovation.s3.us-west-2.amazonaws.com/demo-403/food-industry-chat-engine-select.jpg) + 输入我们在模块 4，步骤 1中提到的问题，并开始与聊天机器人对话。 + 问题：我可以要求客户支付小费吗？ ![food industry conversation 1](https://public-pingcap-innovation.s3.us-west-2.amazonaws.com/demo-403/food-industry-conversation-1.jpg) + 问题：如何制作“海陆双拼”？ ![food industry conversation 2](https://public-pingcap-innovation.s3.us-west-2.amazonaws.com/demo-403/food-industry-conversation-2.jpg) + 问题：生三文鱼何时应丢弃？ ![food industry conversation 3](https://public-pingcap-innovation.s3.us-west-2.amazonaws.com/demo-403/food-industry-conversation-3.jpg) 现在，你可以处理来自客户的真实问题了。 ## 结论 在本实验中，你学习了如何像 [https://tidb.ai](https://tidb.ai)那样部署你自己的知识库聊天机器人，你可以将自己的知识导入知识库，并使用聊天机器人在知识库中搜索信息。 如果你想在工作环境中使用这个人工智能聊天机器人，可以在自己的服务器上部署，你需要： + 从 [pingcap/autoflow](https://github.com/pingcap/autoflow) 获取源代码。 + 从 [https://tidbcloud.com](https://tidbcloud.com) 获取你自己的 TiDB Cloud Serverless 集群。 + 获取你自己的 [Azure OpenAI Service](https://azure.microsoft.com/en-us/products/ai-services).