AI大模型之旅--Vanna的安装与部署

根据前章,我们部署了ollama,此章刚好用来测试text2sql -----vanna
安装部署

1.安装部署

https://vanna.ai/docs/mysql-ollama-chromadb/

根据官网安装部署就可以了,官网很详细,我这次选择Ollama、ChromaDB和MySQL
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

from vanna.ollama import Ollama
from vanna.chromadb import ChromaDB_VectorStore

class MyVanna(ChromaDB_VectorStore, Ollama):
    def __init__(self, config=None):
        ChromaDB_VectorStore.__init__(self, config=config)
        Ollama.__init__(self, config=config)

vn = MyVanna(config={
   
   'model': 'mistral'})

vn.connect_to_mysql(host='my-host', dbname='my-db', user='my-user', password='my-password', port=123)

以上就是官网代码,根据需要,改成自己的配置

以下是我的配置

from vanna.ollama import Ollama
from vanna.chromadb import ChromaDB_VectorStore
class MyVanna(ChromaDB_VectorStore, Ollama):
    def __init__(self, config=None
### RAGFlow、Dify、DB-GPT Vanna 的功能性能对比 #### 功能特性分析 RAGFlow 是一款专注于深度文档理解的开源 RAG 引擎,其核心优势在于能够通过 DeepDoc 模块实现对复杂文档结构的高度解析能力[^2]。该模块支持自动识别标题、段落、图片表格等内容,并将其转化为高质量的数据输入,从而提升下游任务的表现。 相比之下,Dify 提供了一个更注重用户体验的产品化解决方案,允许开发者快速搭建定制化的 AI 应用程序。它的主要特点是低代码集成能力灵活的任务配置选项,适合希望减少开发时间的企业用户[^3]。 DB-GPT 则是一个基于关系型数据库优化的大规模预训练模型框架,特别适用于需要高效查询管理结构化数据的应用场景。它通过对 SQL 查询的支持以及对表结构的理解来增强自身的功能性,在金融、医疗等领域具有显著的优势[^4]。 Vanna 更像是一个面向企业的知识管理问答平台,强调对企业内部资料的安全性可控性的保障。它可以无缝对接企业现有的 IT 基础设施,提供高度可扩展的知识检索服务[^5]。 #### 性能表现评估 从性能角度来看,RAGFlow 凭借其独特的 Quality In Quality Out 数据处理机制,在面对复杂的非结构化数据时表现出色。这种设计有效减少了传统方法中的噪声干扰问题,提高了最终结果的质量。 而 Dify 的高性能体现在其易用性上——即使是技术背景较弱的业务人员也能轻松操作并部署应用实例。这得益于其直观友好的界面设计技术门槛较低的特点[^3]。 至于 DB-GPT,由于专门针对数据库进行了针对性改进,因此在涉及大量数值运算或者多条件过滤的情况下往往可以取得更好的效率指标。然而这也意味着如果脱离了特定领域,则可能无法充分发挥潜力[^4]。 最后来看 Vanna ,作为一个专为企业打造的服务方案,安全性无疑是首要考虑因素之一 。为此 它采用了多层次加密技术严格的访问权限控制措施 来保护敏感信息 不被未授权者获取 同时也具备较强的并发处理 能力以满足大规模团队协作需求[^5]。 ```python # 示例代码展示如何调用不同的 API 接口 (假设存在这些库) import ragflow_api, dify_sdk, db_gpt_connector, vanna_client def compare_models(): # 使用 RAGFlow 进行文档解析 result_ragflow = ragflow_api.parse_document("example.pdf") # 使用 Dify 创建自定义应用程序 app_dify = dify_sdk.create_app(config={"name": "Test App"}) # 使用 DB-GPT 执行复杂查询 query_result_dbgpt = db_gpt_connector.run_query("SELECT * FROM sales WHERE date > '2023-01-01'") # 使用 Vanna 获取安全知识条目 secure_knowledge_vanna = vanna_client.get_secure_entry(entry_id="internal-policy-guideline") return { "RAGFlow Result": result_ragflow, "Dify Application": app_dify, "DB-GPT Query Output": query_result_dbgpt, "Vanna Secure Entry": secure_knowledge_vanna } ``` 综上所述,每种工具都有各自擅长的方向:如果你的需求集中在深入挖掘半结构化或无结构化文件的价值方面,那么 RAGFlow 将是最理想的选择;而对于追求速度便捷性的项目来说,Dify 显然是不可忽视的好帮手;当涉及到密集型数据分析工作负载时,不妨试试看经过特殊调整后的 DB-GPT 是否能满足预期目标;另外如果有严格的信息安全保障要求的话,Vanna 自然成为首选项之一[^6]。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值