AntSK 0.2.3 版本更新：轻松集成 AI 本地离线模型

大家好，今天和大家分享 AntSK 知识库/智能体项目的最新进展。

AntSK 是一个基于 .Net 8、Blazor 及 SemanticKernel 开发的 AI 项目，旨在为开发者提供一个强大的 AI 知识库与智能体平台。最新版本的项目可以在 GitHub 上找到：

https://github.com/AIDotNet/AntSK

在 AntSK 之前的版本中，我们已经成功地整合了使用 LLamaSharp 加载本地模型的 gguf 类型，但我们并没有就此止步。为了进一步支持更多类型的本地模型，并便于测试不同模型的表现，我们更新了项目，加入了 llamafactory 的集成，并且着手准备接下来的模型微调功能。

下面是我们对 llamafactory 集成工作的一个概述：

我们知道，.Net 平台在运行 AI 模型推理和训练方面的组件库并不如 Python 那样丰富（虽然博主也是主技能.Net ）。因此，我们这次选择了一个工程上的简化方案：直接将 llamafactory 的核心文件集成到 AntSK 项目中，并通过使用 llamafactory 的 API 来完成集成，而非直接使用 python.net。这样做的主要目的是降低使用门槛，即便是对 Python 不够熟悉的开发者也能够轻松上手。

首先，我们将 llamafactory 核心文件整合到了项目中，见下图：

我们原先考虑通过 python.net 来完成集成，但后来发现那样会增加很多工作量。因此转而采用了一个间接的方法：自动通过 AntSK 安装依赖并启动 llamafactory。

代码实例 1：安装python环境以及安装 llamafactory 所需的依赖包

 public async Task PipInstall()
 {

     var cmdTask = Task.Factory.StartNew(() =>
     {

         var isProcessComplete = false;

         process = new Process
         {
             StartInfo = new ProcessStartInfo
             {
                 FileName = "pip",
                 Arguments = "install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple",
                 UseShellExecute = false,
                 RedirectStandardOutput = true,
                 RedirectStandardError = true,
                 WorkingDirectory = AppDomain.CurrentDomain.BaseDirectory,
             }
         };  
         process.OutputDataReceived += (sender, eventArgs) =>
         {
             Console.WriteLine($"{eventArgs.Data}");
             OnLogMessageReceived(eventArgs.Data);
         };
         process.ErrorDataReceived += (sender, eventArgs) =>
         {
             Console.WriteLine($"{eventArgs.Data}");
             OnLogMessageReceived(eventArgs.Data);
         };
         process.Start();
         process.BeginOutputReadLine();
         process.BeginErrorReadLine();
         process.WaitForExit();
     }, TaskCreationOptions.LongRunning);
 }

代码实例 2：启动 llamafactory 并指定模型及模板

public async Task StartLLamaFactory(string modelName, string templateName)
 {
     var cmdTask = Task.Factory.StartNew(() =>
     {

         var isProcessComplete = false;

         process = new Process
         {
             StartInfo = new ProcessStartInfo
             {
                 FileName = "python",
                 Arguments = "api_demo.py --model_name_or_path " + modelName + " --template " + templateName + " ",
                 UseShellExecute = false,
                 RedirectStandardOutput = true,
                 RedirectStandardError=true,
                 WorkingDirectory = Path.Combine(Path.GetDirectoryName(System.Reflection.Assembly.GetEntryAssembly().Location), "llamafactory"),
             }
         };
         process.StartInfo.Environment["CUDA_VISIBLE_DEVICES"] = "0";
         process.StartInfo.Environment["API_PORT"] = "8000";
         process.StartInfo.EnvironmentVariables["USE_MODELSCOPE_HUB"] = "1";
         process.OutputDataReceived += (sender, eventArgs) =>
         {
             Console.WriteLine($"{eventArgs.Data}");
             OnLogMessageReceived(eventArgs.Data);
         };
         process.ErrorDataReceived += (sender, eventArgs) =>
         {
             Console.WriteLine($"{eventArgs.Data}");
             OnLogMessageReceived(eventArgs.Data);
         };
         process.Start();
         process.BeginOutputReadLine();
         process.BeginErrorReadLine();
         process.WaitForExit();
     }, TaskCreationOptions.LongRunning);
 }

随后，我们将模型的 API 地址设置为了 llamafactory 的代理地址。这个简化的流程使得我们能够迅速使用 llamafactory。

效果展示：

在创建模型时，选择LLamaFactory，然后我们就可以选择很多魔塔的本地模型