设置 AI 聊天¶

Info

AI 聊天需要 Gramps Web API 版本 2.5.0 或更高版本。版本 3.6.0 引入了工具调用功能，以实现更智能的交互。

Gramps Web API 支持通过一种称为检索增强生成（RAG）结合工具调用的技术，使用大型语言模型（LLM）询问关于家谱数据库的问题。

工作原理¶

AI 助手使用两种互补的方法：

检索增强生成（RAG）：一个 向量嵌入模型 创建一个 Gramps 数据库中所有对象的索引，以数值向量的形式编码对象的含义。当用户提出问题时，该问题也会被转换为向量，并与数据库中的对象进行比较。这个 语义搜索 返回与问题在语义上最相似的对象。

工具调用（v3.6.0+）：AI 助手现在可以使用专门的工具直接查询您的家谱数据。这些工具允许助手搜索数据库，按特定标准过滤人员/事件/家庭/地点，计算个体之间的关系，并检索详细的对象信息。这使得助手能够更准确地回答复杂的家谱问题。

要在 Gramps Web API 中启用聊天端点，需要三个步骤：

安装所需的依赖项，
启用语义搜索，
设置 LLM 提供者。

这三个步骤将在下面逐一描述。最后，所有者或管理员必须在管理用户设置中配置哪些用户可以访问聊天功能。

安装所需的依赖项¶

AI 聊天需要安装 Sentence Transformers 和 PyTorch 库。

Gramps Web 的标准 Docker 镜像已经为 amd64（例如 64 位桌面 PC）和 arm64（例如 64 位 Raspberry Pi）架构预安装了这些库。不幸的是，由于缺乏 PyTorch 支持，AI 聊天不支持 armv7（例如 32 位 Raspberry Pi）架构。

通过 pip 安装 Gramps Web API 时（使用 Docker 镜像时不需要此步骤），可以通过以下命令安装所需的依赖项：

pip install gramps_webapi[ai]

启用语义搜索¶

如果已安装所需的依赖项，启用语义搜索可以像设置 VECTOR_EMBEDDING_MODEL 配置选项一样简单（例如，通过设置 GRAMPSWEB_VECTOR_EMBEDDING_MODEL 环境变量），请参见服务器配置。这可以是任何由 Sentence Transformers 库支持的模型字符串。有关详细信息和可用模型，请参阅该项目的文档。

Warning

请注意，默认的 Docker 镜像不包括支持 GPU 的 PyTorch 版本。如果您可以访问 GPU（这将显著加快语义索引的速度），请安装支持 GPU 的 PyTorch 版本。

选择模型时需要考虑几个因素。

当您更改模型时，必须手动重新创建您树的语义搜索索引（或在多树设置中重新创建所有树的索引），否则您将遇到错误或无意义的结果。
模型在准确性/通用性和计算时间/存储空间之间是一个权衡。如果您不是在拥有强大 GPU 的系统上运行 Gramps Web API，通常较大的模型在实践中会太慢。
除非您的整个数据库都是英文，并且所有用户仅期望用英文提问聊天问题，否则您将需要一个多语言嵌入模型，这比纯英文模型更为稀缺。

如果模型不在本地缓存中，它将在首次使用新配置启动 Gramps Web API 时下载。使用标准 Docker 镜像时，模型 sentence-transformers/distiluse-base-multilingual-cased-v2 已经在本地可用。该模型是一个不错的起点，并支持多语言输入。

请与社区分享关于不同模型的经验！

Info

Sentence Transformers 库消耗大量内存，这可能导致工作进程被杀死。作为经验法则，启用语义搜索时，每个 Gunicorn 工作进程大约消耗 200 MB 内存，每个 Celery 工作进程即使在空闲时也消耗约 500 MB 内存，在计算嵌入时可高达 1 GB。请参见限制 CPU 和内存使用以获取限制内存使用的设置。此外，建议配置足够大的交换分区，以防止因瞬时内存使用峰值而导致的 OOM 错误。

设置 LLM 提供者¶

与 LLM 的通信使用 Pydantic AI 框架，该框架支持与 OpenAI 兼容的 API。这允许通过 Ollama 使用本地部署的 LLM（请参见 Ollama OpenAI 兼容性）或托管 API，如 OpenAI、Anthropic 或 Hugging Face TGI（文本生成推理）。LLM 通过配置参数 LLM_MODEL 和 LLM_BASE_URL 进行配置。

通过 OpenAI API 使用托管 LLM¶

使用 OpenAI API 时，可以不设置 LLM_BASE_URL，而 LLM_MODEL 必须设置为 OpenAI 模型之一，例如 gpt-4o-mini。LLM 使用 RAG 和工具调用来回答问题：它从语义搜索结果中选择相关信息，并可以使用专门的工具直接查询数据库。它不需要深厚的家谱或历史知识。因此，您可以尝试小型/廉价模型是否足够。

您还需要注册一个帐户，获取 API 密钥并将其存储在 OPENAI_API_KEY 环境变量中。

Info

LLM_MODEL 是一个配置参数；如果您想通过环境变量设置它，请使用 GRAMPSWEB_LLM_MODEL（请参见配置）。OPENAI_API_KEY 不是配置参数，而是 Pydantic AI 库直接使用的环境变量，因此不应加前缀。

使用 Mistral AI¶

要使用 Mistral AI 的托管模型，在设置 LLM_MODEL 时将模型名称前缀为 mistral:。

您需要注册一个 Mistral AI 帐户，获取 API 密钥，并将其存储在 MISTRAL_API_KEY 环境变量中。无需设置 LLM_BASE_URL，因为 Pydantic AI 会自动使用正确的 Mistral API 端点。

使用 Docker Compose 和环境变量时的示例配置：

environment:
  GRAMPSWEB_LLM_MODEL: mistral:mistral-large-latest
  MISTRAL_API_KEY: your-mistral-api-key-here
  GRAMPSWEB_VECTOR_EMBEDDING_MODEL: sentence-transformers/distiluse-base-multilingual-cased-v2

通过 Ollama 使用本地 LLM¶

Ollama 是一种方便的本地运行 LLM 的方式。请查阅 Ollama 文档以获取详细信息。请注意，LLM 需要大量计算资源，除了最小的模型外，其他模型在没有 GPU 支持的情况下可能会太慢。您可以尝试 tinyllama 是否满足您的需求。如果不满足，请尝试更大的模型。请与社区分享任何经验！

在使用 Docker Compose 部署 Gramps Web 时，您可以添加 Ollama 服务：

services:
  ollama:
    image: ollama/ollama
    container_name: ollama
    ports:
      - "11434:11434"
    volumes:
      - ollama_data:/root/.ollama

volumes:
    ollama_data:

然后将 LLM_BASE_URL 配置参数设置为 http://ollama:11434/v1。将 LLM_MODEL 设置为 Ollama 支持的模型，并在您的容器中使用 ollama pull <model> 下载它。最后，将 OPENAI_API_KEY 设置为 ollama。

要排查 Ollama 的问题，您可以通过在 Ollama 服务环境中设置环境变量 OLLAMA_DEBUG=1 来启用调试日志。

Info

如果您在 Gramps Web AI 聊天中使用 Ollama，请通过补充任何缺失的细节来支持社区。

使用其他提供者¶

请随时提交其他提供者的文档，并与社区分享您的经验！