本文将基于Gradio的Interface，继续构建RAG系统的QA前端页面，对比上一篇对召回测试前端页面的构建，来对比在Gradio下，Blocks和Interface的两种区别。

构建AI应用的前端方案有很多，这里介绍一个开源前端库---Gradio，通过它可以使用简短的代码就可以快速的实现简单的AI应用前端。这里我们选择的场景为做RAG召回测试，通过调用先前封装好的LangChain代码，来快速的搭建这个前端页面。

微软的支持，默认最低级别，回复的频率是按天算的，所以需要经常盯着自己的邮箱。再就是其给的答复，你按照他的方法不一定能找得到，所以这里很多URL的确认都是我后来根据理解拼出来的并且亲测能用。以上命令，需要将xxxxx部分替换成自己申请时填写的，还有其中wade部分是我申请的用户名，也需要替换成自己的。在网上搜了下，遇到这个问题还有有一些的，如果你也遇到了，可以尝试使用这个方法解决。有一天突然发现自己

前两篇探索了用code和dify的实现思路，实现起来均有一定的门槛。那么市面上有没有什么开源的现成产品已经对这个方向进行了探索呢？最近还真搜罗到了两个不错的产品，一个是飞致云下的SQLBot，还有一个是WrenAI。

在上一篇中我提到了一个B站最新的一个LangChain 1.0的SQL Agent的视频，通过提供给SQL Agent的tools，可以引导大模型先查看数据库下都有哪些表，然后查看指定表的结构，最后再将这些相关表关联在一起生成查询，完全符合我们在处理相应问题时的处理逻辑。这种场景在处理简单问题或者数据结构比较简单的时候，没有问题，但是当我们的相应表的关联逻辑如果比较复杂，我们很难相信也很难指定让大

这些年AI火的一塌糊涂，很多行业和传统技术领域都在积极的跟其产生交集。BI是一个20年前开始火起来的技术，跌跌荡荡这些年，如今虽然不是网红菜，但绝对是企业的必点菜。AI的出现让很多东西跟人们越来越近，那么AI配合BI有没有搞头呢？

我在先前的随笔中分享过用Dify低代码平台来实现问答系统，也有几篇随笔是通过不同的方式来访问大模型。本篇将使用LangChain来做对应的实现。相关代码主要是通过Trae，它可以帮助你快速的了解了基本使用 LangChain 构建 RAG的方法，包括从文档加载、向量存储到问答接口实现，整个过程涉及多个关键环节。虽然借助大模型以及Trae，给我们提供了另外一种生成代码和学习代码的方式，但其目前还是需

前面已经介绍了如何搭建代码管理环境的服务器端安装和配置，这里介绍对于客户端的几个场景。

做开发或者做方案，写文档是很重要的一个工作，我们经常需要知道文档被修改的次数，谁在什么时间修改的文档，以及在某一个版本中，都修改了哪些内容，以及不同版本的文档之间有什么差别。

一日，老总问刚上任的小D，“给我整套BI系统！”小D刚上任，有任务接自然很高兴。欣然答应下来后，小D主动去找相关业务系统的负责人询问相关的业务情况和数据结构，但“大家都很忙”，人家哪有时间管可怜的小D呢。于是过了一段时间，老总又问，“BI系统做的怎么样了？”，小D似乎有一种被玩了的感觉，但无奈他还不了解这个行业和这个环境，所以，自然挨