6月份在社区传播下，SuperSonic关注度跃升，Github Star将近1.5K，微信群用户超过1K，在此首先要对热心推广的伙伴表达感谢！
与此同时，社区群里每天有很多用户提出使用疑问，使得产品【易用性】成为我们不得不重视的问题，有些一直处于规划中的issue被提升了优先级。另一方面，如何通过工程化提升BI问答【可靠性】仍是核心的迭代方向。因此，本文从易用性和可靠性两个视角来展开SuperSonic 0.9.4版本的主要特性。Release下载地址：https://github.com/tencentmusic/supersonic/releases/tag/v0.9.4
【易用性】
文档包含【快速体验】、【项目架构】、【构建部署】、【FAQ】以及各功能模块的【概念释义】与【使用指南】，内容还在持续更新中，有任何关于项目的疑问可先通过文档了解，访问地址：https://supersonicbi.github.io/
过往不少用户在部署阶段会遇到各式各样的环境问题，最好的解决方式是引入Docker容器化。从0.9.4版本开始发布官方Docker镜像【supersonicbi/supersonic】，在docker daemon运行情况下只需要下载docker-compose配置文件启动即可：
wget https://raw.githubusercontent.com/tencentmusic/supersonic/master/docker/docker-compose.ymldocker-compose up -d
启动成功后，通过Docker Dashboard可以查看到3个运行容器，分别是 supersonic、mysql、chroma，然后可通过浏览器登录界面，访问地址：http://localhost:9080/
支持对接更多的大模型
社区群里提出最多的问题当属“是否支持XXX大模型”，尤其是近期openai禁用公告出来后，国产大模型自不必说要当自强。0.9.4以前主要通过openai接口协议来对接各厂商MaaS，包括Qwen、DeepSeek、GLM、MoonShot等，一般来说厂商为了兼容性都会支持。
然而，如果想要对接开源或自定义大模型，就需要有其他协议支持。0.9.4我们将langchain4j版本做了升级，站在巨人肩膀上，理论上只要langchain4j支持的接口协议，都能对接上。其中，最重要的是Ollama接口协议，它事实上已成为本地运行大模型的标准化协议，不管是发布还是使用，都类似Docker。
如何配置Ollama，其他还有哪些协议支持，请关注官网相关文档的更新，或者查看源码文件langchain4j-prd.yaml。
SuperSonic通过语义模型来增强Text2SQL，本质上也是一种RAG方案，因而离不开向量数据库的使用。0.9.4之前为了部署方便，默认采用可持久化的in-memory向量库，但生产上大家一般会使用Chroma, Milvus这类向量库。依然是借助langchain4j框架的能力，从0.9.4版本开始可以与主流的向量库对接。如何配置不同的向量库，其他还有哪些向量库支持，请关注官网相关文档的更新，或者查看源码文件langchain4j-prd.yaml。支持测试大模型连通性
从0.9.2开始SuperSonic支持在智能助理的粒度动态配置大模型，但是配置过后是否连通可用，并没有便捷的操作方式。参照传统BI平台，配置数据库后都可以一键测试连通性，0.9.4开始可直接在配置完大模型后，一键测试连通性。
接着大模型连通性测试的特性，另一种测试连通性的方式，可直接与大模型开启闲聊对话，开启方式是在助理里不配置任何工具。当然，有了闲聊模式，用户也可以把SuperSonic当作是大模型的UI客户端。
SuperSonic通过智能助理的抽象，可支持不同主题的问答对话，与大模型对话产品的智能体定位一致。因此，0.9.4对智能助理的配置界面做了重新设计，支持更丰富的自定义配置，包括【大模型配置】、【工具管理】、【记忆管理】（什么是记忆？且听下文分解）。今年，业界的关注点开始从LLM转移到Agent，普遍认为Agent才是真正通往AGI的希望。有一个简化的公式来描述Agent:Agent = LLM + Knowledge + Memory + Tool
当前，SuperSonic将语义数据模型转换为【知识】，来增强大模型的语义理解能力；将第三方插件转换为函数调用，来引导大模型使用【工具】。上述公式中的最后一块拼图是【记忆】。回到Text2SQL来说，memory可以让助理具备self-evolution能力，随着历史对话的经验积累，通过动态few-shot in-context learning，对当前主题的语义理解（包括数据语义和问答语义）应该越来越擅长。0.9.4对记忆机制做了初步的实现，将该助理下运行成功的历史对话存储为memory，定期借助大模型来做审核，给出评估结果。当前，大模型评估结果仅供参考，最终需要人来做复审，给出正确的评估，才会正式用于后续的对话中作为few shot example。
当用户的提问较为复杂，可能一个SQL难以满足。实际上，大模型具备生成带with语句的SQL能力，从而将复杂问题拆解分而治之。过往SuperSonic语义层无法解析带with语句，从0.9.4版本开始增加对with语法的支持，进而打开对复杂场景的支持空间。这个特性还在初步探索阶段，后续会持续迭代演进，这里暂时不展开。
当提示词策略发生变更，或者切换了新的大模型，过往验证过的问答样例是否还work？这是项目迭代过程中开发人员的高频需求。为了提升开发测试效率，在0.9.4中增加了Text2SQL测试用例，以便对不同的提示词策略、大模型配置做自动回归测试。开发人员可以在本地运行com.tencent.supersonic.evaluation.Text2SQLEval执行回归。- End -
粤ICP备14082021号
免费POC，
零成本试错
