MindsDB 简介

MindsDB^[1] 提供了一个强大的平台，使得从企业数据构建AI变得更加简单和直观。通过其丰富的集成选项和易于使用的接口，MindsDB能够帮助开发者和企业快速构建和部署AI驱动的应用程序。

项目特点

主要特点

1. 数据源集成：MindsDB与多种数据源集成，包括数据库、向量存储和应用程序，以及流行的AI/ML框架，如AutoML和LLMs。
2. 自动化工作流：MindsDB连接数据源和AI/ML框架，自动化它们之间的常规工作流程。
3. 自定义AI系统：通过将数据和AI结合，MindsDB使得实现定制化的AI系统变得直观。
4. 多语言支持：MindsDB支持通过SQL API、REST API、Python SDK、JavaScript SDK和MongoDB-QL等多种方式与用户交互。
5. 增强SQL语法：MindsDB扩展了SQL语法，使得AI应用的开发和部署更加无缝。

使用场景

• AI工作流自动化：涉及从数据源获取数据，通过AI/ML模型处理，并将输出写入数据目的地的任务，如异常检测、数据索引/标记/清洗和数据转换。
• AI系统部署：涉及创建由多个连接部分组成的AI系统，包括各种AI/ML模型和数据源，并通过API暴露这些AI系统，如代理和助手、推荐系统、预测系统和语义搜索。

项目使用

快速开始

通过Docker安装MindsDB，连接数据源，使用AI和ML准备数据，并实现多种用例，详细可参考MindsDB安装说明^[2]。

使用示例

MindsDB支持包括RAG、Agents和自动化AI-data工作流在内的多种用例。下面是一个AI系统部署示例，展示了如何创建一个能够搜索结构化数据的AI代理，包括连接数据源、创建技能、部署会话模型、创建代理和查询代理。

-- Step 1: Connect a data source to MindsDB
CREATE DATABASE data_source
WITH ENGINE = "postgres",
PARAMETERS = {
    "user": "demo_user",
    "password": "demo_password",
    "host": "samples.mindsdb.com",
    "port": "5432",
    "database": "demo",
    "schema": "demo_data"
};

SELECT * FROM data_source.car_sales;

-- Step 2: Create a skill
CREATE SKILL my_skill
USING
    type = 'text2sql',
    database = 'data_source',
    tables = ['car_sales'],
    description = 'car sales data of different car types';

SHOW SKILLS;

-- Step 3: Deploy a conversational model
CREATE ML_ENGINE langchain_engine
FROM langchain
USING
      openai_api_key = 'your openai-api-key';
      
CREATE MODEL my_conv_model
PREDICT answer
USING
    engine = 'langchain_engine',
    model_name = 'gpt-4',
    mode = 'conversational',
    user_column = 'question',
    assistant_column = 'answer',
    max_tokens = 100,
    temperature = 0,
    verbose = True,
    prompt_template = 'Answer the user input in a helpful way';

DESCRIBE my_conv_model;

-- Step 4: Create an agent
CREATE AGENT my_agent
USING
    model = 'my_conv_model',
    skills = ['my_skill'];

SHOW AGENTS;

-- Step 5: Query an agent
SELECT * FROM my_agent WHERE question = 'What is the average price of cars from 2018?';

1. 连接数据源：将PostgreSQL数据库连接到MindsDB。
2. 创建技能：基于汽车销售数据集创建文本到SQL的技能。
3. 部署对话模型：创建并使用基于Langchain的对话模型。
4. 创建代理：创建一个代理，并分配技能和模型。
5. 查询代理：通过提问来查询代理，获取数据存储在分配的技能中的问题答案。