# Збудувати " Адвоката GPTM SK1 для вашого блогу | МСК2 | Частина | 1: | Введение |МSK4 | архітектура

<!--category-- AI, LLM, RAG, C#, AI-Article, mostlylucid.blogllm -->
<datetime class="hidden">2025-11-12T22:45</datetime>

## Введение

Занурюйтесь, бо це буде довга серія.! Якщо ви' слідкуєте за цим блогом(МSK2), то ви( МSK3) знаєте, що я' трохи одержимий пошуком цікавих способів використовувати LLM та штучний інтелект у практичних застосуваннях. . Ну, так, МSK6 Я( M SK7 ) маю новий проект, який об 'єднує мою любов до блогінгу.

> NOTE: Це частина моїх експериментів з штучним інтелектом

Подумайте про те, як сучасні правові практики використовують літературних літераторів, яких навчили jurisprudenції, для викладання петицій. МСК0, постановок, МСК1 і угод. МSK2 Вони не починають з нуля. М СК4, система відноситься до відповідних précédentів. М АК5, запропонує мову, засновану на успішних попередніх документах. МАК6, і зберігає послідовність із закріпленими шаблонами. МУК7, це саме те, що ми тут будуємо. МДК9, але для контенту блогу. МТК11

Метою проекту є створення

- Допоможає намалювати нові блогові статті у моєму закріпленому стилі
- Спропонує відповідний зміст минулих статей для використання
- Знаходить схожі місця для підтримки послідовності
- Auto-generates internal links to related articles
- Такі дії як "GitHub Copilot для вашого блогу"

Ця серія охоплює будівництво [Поширене генерування пошуку (RAGM SK1](https://www.anthropic.com/index/contextual-retrieval) система в C#, яка працює на Windows . МиM SK2 використаємо останні підходи та фреймворки M SK3 і I' пояснюємо кожну нову технологію, коли ми з нею стикаємося

## Моє обладнання ( і мінімальні характеристики )

**Моя машина для розвитку:**

- **ҐПУ**: NVIDIA RTX A
- **Процесор**: AMD Ryzen
- **RAM**МSK0 96ГБ ГДРM SK2

Це моє конкретне налаштування,, але ви **don' не потребує цього обладнання** слідувати за ним. Ось мінімальні характеристики для різних компонентівM SK1

### Пришвидшування GPU (Рекомендується , не обов 'язковоM SK2

- **Найменше**: NVIDIA GPU з МSK1GB VRAM (eM SK3g., RTX МSK5 GTX
  - Можна запустити моделі параметрів 7B з квантизацією
  - Пристойна швидкість генерації вбудованих
- **Комфортно**МSK0 12GB+ VRAM МSK3eM SK4gMSC5 RTX 3060 \ 12GB~, \ RTX
  - Пройти більші моделі або високоякісні квантування
- **Моє налаштування**: МSK1GB (AM SK3 ♫ ♫ МSK4 ♫ Можути рухатись ♫ 13B моделі комфортно

### Або лише альтернатива

- **Найменше**: Современный квад - ядро
- **Рекомендується**МSK0 8+ ядра МSK2 для раціональної генерації вмонтованих модулів )
- Все працює на процесорі.
  - генерування Embedding: M SK1x повільніше
  - Припущення LLM: M SK1x повільніше
  - Все ще цілком корисний для писемного асистента!

### Требування RAM

- **Найменше**: 16 ГБ оперативної пам 'яті
  - Процесор - тільки для висновків для моделей 7B
- **Комфортно**МSK0 32ГБ
  - Краще для більших моделей на ЦП
- **Моє налаштування**МSK0 96 ГБ МSK2 Перехиляння , \ 32 ГB - це багато

### Утримка

- **SSD**: Рекомендується для завантаження моделі
- **Простір**: МSK1ГБ для моделей та векторної бази даних

### Що про Intel/AMD NPUs?

Сучасні процесори тепер містять dedykowanі прискорювачі штучного інтелекту:

- **Корінь Intel Ultra** МSK0Meteor Lake+) M SK2 Intel AI Boost (NPU)
- **AMD Ryzen AI** Серія (7040/8040
- **AMD Ryzen AI Max** (Стрикс-полюс МSK1 МSK2 До 50 ШОК

**Важливо: Непотрібні нейрони для висновків лишеM SK1** Ви не будуєте models на МСК1, МСК2 чи на локомотивах *бігати* до- ефективним навчанням моделей . Моделі тренуються на хмарних графічних комп 'ютерах МSK2 чи на робочих станціях M SK3 а потім завантажуються і розгортаються на НТЦ для висновку .

**Текущий стан запуску моделей на НПУ (написанняM SK1**

- ✅ Чудово для
- ⚠️ Ограничений для нашого використання: Невичерпний .NETM SK3ONNX Obsługа запуску
- ❌ Не готовий доM SK1 Примарні шляхи цього проекту '

**Чому б не NPU для цієї серії?**

1. **Екосистема програмного забезпечення**: CUDA має 15+ роки терміну погашення МSK2 підтримка NPU в МSK3NET зароджується
2. **Модельна здатність**: Більшість моделей GGUF мають на меті CUDAM SK1CPU, NPU - Оптимовані моделі рідкісні
3. **Документація**: Ограничені ресурси для розробки НПУ в ЦM SK1
4. **Результати**: Наразі повільніше, ніж дискретні GPU для нашого навантаження
5. **Obsługа DirectML**: Досі експериментальні для LLM висновку

**Чи можете ви використовувати NPU для висновків?**

- Потрібно [DirectML](https://github.com/microsoft/DirectML) постачальник виконання в часі запуску ONNX
- Моделі мають бути в форматі ONNX (не GGUF)
- Поддержка C# експериментальна
- На даний момент показник у порівнянні з . CUDA .

**Як спробувати припущення NPU (розвинені користувачіM SK1**

```bash
# Use DirectML execution provider (supports NPU)
dotnet add package Microsoft.ML.OnnxRuntime.DirectML

# In code:
var sessionOptions = new SessionOptions();
sessionOptions.AppendExecutionProvider("DML"); // DirectML
var session = new InferenceSession("model.onnx", sessionOptions);
```

**Майбутнє обговорення**: Один раз [Пропускний час на NX](https://onnxruntime.ai/) і [DirectML](https://github.com/microsoft/DirectML) зростає їхнє підтримування NPU (ймовірно 2024-2025), вони стануть життєздатними альтернативами для висновків

**Лінія внизу**: ЯM SK1 покажу GPU - прискорений шлях , але помічаю, що в CPU МSK4 є лише альтернативи впродовж всього M SK5 Ви можете розпочати CPU MSC6 тільки і потім оновлюватися

[TOC]

## Що ми будуємо

Остання система матиме декілька компонентів:

1. **Лінія з маркуванням впиту** - Обробляє всі блогові пости , розібрає їх розумно M SK2 і генерує вбудова
2. **База даних вектора** - Поміщає вбудовані додатки і umożliwia семантичні пошуки подібного контенту
3. **Програму для клієнта Windows** - Администратор інтерфейсу для написання на робочому столі з редактором та панелем запропонувань
4. **Інтеграція LLM** - локальний графічний процессор - прискорене виведення для генерації контенту
5. **Цитація & генерація зв 'язків** - AutoM SK1запропонує внутрішні зв 'язки та посилання на пов' язані посади
6. **Інжинія послідовності стилю** - Учить шаблони з існуючих постів, щоб підтримувати голос і структуру

Подумайте про це так: "GitHub Copilot meets Grammarly " but trained specifically on your blog

## Чому? " Адвокат GPTM SK1

Сучасні адвокатські фірми використовують літературні літератори, які навчені у величезних бібліотеках правової практики, щоб допомогти розробляти документи.

- Довідки про важливі прецеденти та минулі успішні аргументи
- Запропонує візерунки мови, які працювали раніше
- Утримує послідовність з стандартами правопису
- Цитує джерела автоматично

Це наша модель. Коли я починаю писати: "" МСК2 "", "" Додаємо структуру об 'єктів для "...",", система має

- Найти мої попередні wpisи на тему EF-
- Запропонуйте структурні візерунки, які я раніше використовував
- Oferujemy фрагменти коду з минулих статей
- Auto-generate links to related posts
- Утримуйте мій стиль письма і технічну глибину

На відміну від звичайних асистентів-писачів-штучного інтелекту, наша система базується на реальному минулому контенті, тож вона не запропонує речей, які суперечать тому, що я вже написав.

## Обзор серії

Ось що ми збираємося розповісти за наступні кілька тижнів.

### Частина 1 ( Цей постM SK2 Вprowadzenie МSK3 Архітектура

Ми зробимо висновок про те, що ми будуємо і чому. Ми також візьмемо за основу архітектурні рішення.

### [Частина 2: Установка GPU & CUDA в C#](/blog/building-a-lawyer-gpt-for-your-blog-part2)

Установлення Windows для GPU-сшвидшений штучний інтелект [ЦUDA](https://developer.nvidia.com/cuda-toolkit), [cuDNN](https://developer.nvidia.com/cudnn), і тестування того, що CM SK1 дійсно бачить та використовує ваші GPU

### [Частина 3: Порозуміння вбудованих компонентів МSK1 Вektorні бази даних](/blog/building-a-lawyer-gpt-for-your-blog-part3)

Глибоко розгляньмо, що таке вбудовані додатки. , як вони роблять семантичні пошуки , і вибирають правильну векторну базу даних МSK2 спилер МSK3 ми \ ' \ ймовірно використаємо [Кдрант](https://qdrant.tech/) або [pgvector](https://github.com/pgvector/pgvector)).

### [Частина 4: Збудування каналу впиту](/blog/building-a-lawyer-gpt-for-your-blog-part4)

Обробка файлів відмітки, розумні стратегії відокремлення МSK1 ви можетеM SK2 не просто розділяти на абзаци!), і генерувати вбудова для всього нашого контентуMSC4

### [Частина 5: Windows Client](/blog/building-a-lawyer-gpt-for-your-blog-part5)

Вибір правильної системи. ([WPF](https://docs.microsoft.com/en-us/dotnet/desktop/wpf/), [Авалонія](https://avaloniaui.net/), або [МОЮ](https://dotnet.microsoft.com/en-us/apps/maui)?), побудова інтерфейсу , і зробити його справді приємним для використання

### [Частина 6: Локальна інтеграція LLM](/blog/building-a-lawyer-gpt-for-your-blog-part6)

Використовуючи локальні моделі [Пропускний час на NX](https://onnxruntime.ai/), [llama.cpp](https://github.com/ggerganov/llama.cpp) зв 'язки, або інші підходиM SK1

### [Частина 7: генерація контенту МSK1 швидка інженерія](/blog/building-a-lawyer-gpt-for-your-blog-part7)

Об 'єднати все це разом. - семантичний пошук релевантного контенту , управління контекстними вікнами МSK2 швидке інженерне забезпечення для допомоги при написанні M SK3 і генерування послідовних задумів .

### [Частина 8: Заawansовані характеристики & Розгортання виробництва](/blog/building-a-lawyer-gpt-for-your-blog-part8)

Автоматичний-відсилання до інших постівМSK1 перевірка послідовності стилюM SK2 запропонування фрагментів коду МSK3, що робить систему дійсно корисною для щоденного письма .

## Чому RAG?

Перед тим, як зануритися в архітектуру, давайте поговоримо про те, чому RAG (Retrieval Augmented GenerationM SK3 є правильним рішенням.

### Проблема з Fine-Tuning

Ви могли б подумати:: M SK1 Чому б не просто добре - підлаштувати LLM на всі блогові статті?" Є декілька проблем з цимMSC4

1. **Ціна & Сложність** - ЧудовоM SK1встановлення дорогого (в обох обчисленнях і в зусиллях)
2. **Нестабільність** - Кожен новий блог - це переобучение
3. **Чорна коробка** - складно зрозуміти, що ця модель навчилася
4. **Галюцинація** - Немає гарантії, що модель виграє
5. **Ніяких цитацій** - Не можеM SK1 легко відслідковувати відповіді назад до джерел

### Як RAG це вирішує

RAG об 'єднує найкраще з обох світів: потужність LLM та точність пошуку для створення контекстуM SK1 генерування контенту з осягомленням.

Потік::

1. Пользователь починає писати: (eM SK1g., "Budування REST API з ASPMSC4NET CoreMST5
2. Система знаходить семантично схожі минулі статті
3. Система передає важливі шматочки в контекст LLM
4. LLM генерує підказки/продовження на основі попереднього контенту
5. Система пропонує підказки з відсылками на робочі місця

Це означає:

- ✅ Знову вгорі МSK1 до МSK2 дата M( просто переглянути МСК4 індикатор нових постів, як ви їх пишете
- ✅ Побудована на вашій дійсності
- ✅ Прослідковується МSK1 знають, які минулі пости вплинули на ідеїM SK2
- ✅ Эффективний МSK1 не дорогою реінструкцією на кожен новий пост МSK2
- ✅ Гнучкий ( здатний замінити LLM або змінити стратегії пошуку
- ✅ конфіденциальність - збереження МSK2 все працює локально МSK3

## Архітектура системи

Дозвольте мені розібратися з ключовими компонентами, які ми будуємо.

```mermaid
graph TB
    A[Markdown Files] -->|Ingest| B[Chunking Service]
    B -->|Text Chunks| C[Embedding Model]
    C -->|Vectors| D[Vector Database]

    E[User Writing] -->|Current Draft| F[Windows Client]
    F -->|Embed Context| C
    C -->|Query Vector| D
    D -->|Similar Content| G[Context Builder]

    G -->|Relevant Past Articles| H[Prompt Engineer]
    H -->|Prompt + Context| I[Local LLM]
    I -->|Generated Suggestions| J[Link Generator]
    J -->|Suggestions + Citations| F

    F -->|Display| K[Editor with Suggestions]

    class C,I embedding
    class D,K output

    classDef embedding stroke:#333,stroke-width:4px
    classDef output stroke:#333,stroke-width:4px
```

### 1. Марка-даун

Ця компонента:

- Вичитує файли відмітки з каталогу блогів
- Витягує метадані (головокМSK1 категорії, датаM SK3 кількість слів МSK4
- Розумно відрізує зміст (зберігаючи кодові блоки для повторного використанняM SK1
- Визначає структурні шаблони ( як я організую посадиM SK1
- Прослідковує джерело інформації для генерації цитацій

**Головний виклик**: Strategiя накладання має величезний вплив . Надто маленька, і ви втрачаєте контекст МSK2 надто велика, і Ви марнуєте LLM МSK3 вікно контексту \ . Нам потрібні фрагменти, які мають семантичний зміст

### 2. Модель вмонтування

Вбудова - це магія, яка робить семантичний пошук ефективним.

Схожі поняття закінчуються: "закритиM SK1 у векторному просторі , навіть, якщо вони використовують різні слова

Наприклад:

- " міграція бази даних " і МSK2 оновлення схеми DB МSK3 мали б подібні вбудовані
- " кота " і МSK2 кіт МSK3 були б ближчими, ніж MSК4 коти МСК5 та МСК6 база данихМСК7

**Вибір технологій**: Ми ' скоріш за все використовуватимемо один чи інший

- [речення-трансформатори](https://www.sbert.net/) моделі ( можуть працювати через ONNX Runtime в C#)
- Моделі вмонтування OpenAI' ( через APIM SK2
- [Моделі BGE](https://huggingface.co/BAAI/bge-base-en-v1.5) (станціяМSK1вМSK2в-артовий відкритий кодM SK4

### База даних вектора 3.

Вektorна база даних зберігає вбудовані додатки і дає можливість швидкого пошуку схожості. Коли виM SK1 пишете про "Docker compose", вона знаходить найсемантично схожіший за минулим змістом K МSK4 не лише співпадіння ключів до словаMSC5 але й концептуально пов 'язаний матеріал МSK6

**Вибір технологій**МSK0 Ми' ОцінюватимемоM SK2

- **[Кдрант](https://qdrant.tech/)** - СовременнийM SK1 написане в руті, чудовий CMSC3 клієнтMST4 ДокерM ST5 дружній
- **[pgvector](https://github.com/pgvector/pgvector)** - Поширення для PostgreSQL
- **[Вов 'язати](https://weaviate.io/)** - Ще одна надійна опція з хорошим підтримкою .NET
- **[Хroma](https://www.trychroma.com/)** - Поширені на Python-землі, менше в CM SK2

I' я налаштований на Qdrant через свою простоту і продуктивність , чи pgvector для того, щоб все було в Postgres МSK2

### 4. Windows Client

Нам потрібен гарний інтерфейс для написання з допомогою штучного інтелекту.

**[WPF (Windows Presentation Foundation](https://docs.microsoft.com/en-us/dotnet/desktop/wpf/)**

- ✅ ДорослійM SK1 стабільний , багато ресурсів
- ✅ Obsługа нативних Windows
- ❌ WindowsM SK1 тільки
- ❌ Здається застарілим, якщо ви не інвестуєте в інтерфейсні бібліотеки

**[Авалонія](https://avaloniaui.net/)**

- ✅ Кроссіальний МSK1платформа МSK2XAML -засаджений на МSK4
- ✅ СовременныйM SK1 активно розроблений
- ✅ Схоже на WPF
- ❌ менша екосистема

**[MAUI (МільйозоміM SK1платформенний інтерфейс програмного забезпечення )](https://dotnet.microsoft.com/en-us/apps/maui)**

- ✅ КроссM SK1платформа
- ✅ Microsoft-за підтримки
- ❌ Досить виростає
- ❌ Більше мобільностіM SK1фокусовані

Оскільки ми - Windows, ми - - і я хочу щось стабільне. **WPF з [Нова інтерфейса користувача WPF](https://github.com/Kinnara/ModernWpf)** або **Авалонія** для того, щоб з 'єднати

### 5. Локальна інтеграція LLM

Ось де A4000 GPU світиться. Ми хочемо запустити LLM локально для

- Prywatність (никаких даних не надсилають до APIsM SK1
- Швидкість ( локальна деференція швидка МSK1
- Ціна (без फीза APIM SK1
- Kontrolа ( ми вибираємо модель )

**Технології**:

**[Пропускний час на NX](https://onnxruntime.ai/)**

- Перетворити моделі на формат ONNX
- Отож, чудове прискорення GPU
- Нативна підтримка C#
- Донизу: Не всі моделі добре конвертуються

**[llama.cpp](https://github.com/ggerganov/llama.cpp) зв 'язки**

- Biblioteka C++ з прив 'язками CМSK1[Лалам-Шарп](https://github.com/SciSharp/LLamaSharp))
- Obsługа CUDA
- Szeroka модельна підтримка (LlamaM SK1 Mistral, і т.д.
- Дуже активний розвиток

**[Торч-Шарп](https://github.com/dotnet/TorchSharp)**

- Об 'єднання PyTorch для .NET
- Найбільша гнучкість
- Швидша кривая навчання

I' я нахилюсь **Лалам-Шарп** для їхньої зрілості та легкості використання з популярними моделями.

### 6. Контекстове управління вікнами & Про prompt Engineering

У LLM є обмежені контекстні вікна. (eM SK1g., 4KMSC4

- Звідси віднайти найпоширеніший минулий контент (top K із векторного пошукуM SK1
- Вставляйте їх у контекстне вікно з теперішнім проектом
- Структурувати про prompt для писемної допомоги
- Залишити простір для генерованих задумів

Це складніше, ніж здається.

- Динамічний вибір K, який базується на тому, що ви зараз пишете
- Re-рейтинг відібраних фрагментів по значущості
- Розумно стискати контекст
- Multi-штовпування з прикладами минулих постів

### 7. Ссылка МSK1 генерація цитат

Кожен шматок потребує метадань:

- Źródальний файл/запис
- Позиция в оригінальному документі
- Дата публікації
- Kategoriї
- Використововані фрагменти коду

Коли LLM генерує підказки, ми автоматично створюємо відміткові зв 'язки до вихідних постів і визначаємо повторювані шаблони кодуM SK1

## Що робить це відмінним?

Там є багато уроків РАG, але ця серія буде іншою.

1. **C# Перше** - Більшість прикладів RAG є в Pythonі . Ми МSK2 закінчуємо
2. **ОС Windows & GPU** - Використовуючи NVIDIA CUDA на Windows, не LinuxM SK2WSL
3. **Готова до виробництва** - Це не просто доказМSK1модуМСК2концептуМ СК3, а справжній корисний код
4. **Домен-конкретний** - Оптимований для допомоги в написанні блогівM SK1 не генерує типового контенту
5. **Глибокі пояснения** Ми пояснюємо, чому ми приймаємо рішення

## Технології, які ми використовуватимемо

Ось тут – МСК0 – це технологічна база. Я – МSK1 – планування. МSK2

### Коренная база

- **МSK0NET 9** (станнє на момент написанняM SK1
- **C# M SK1** - Современні мовні характеристики

### Бібліотеки AI/ML

- **[Пропускний час на NX](https://onnxruntime.ai/)** або **[Лалам-Шарп](https://github.com/SciSharp/LLamaSharp)** - Дослідження LLM
- **[Microsoft.ML](https://dotnet.microsoft.com/en-us/apps/machinelearning-ai/ml-dotnet)** - Потрібно для деяких завдань
- **SentenceTransformers через ONNX** - Помешкання

### База даних вектора

- **[Кдрант](https://qdrant.tech/)** або **[pgvector](https://github.com/pgvector/pgvector)** - До ustalenia

### Корабель інтерфейсу

- **WPF** з **ModernWPF** або **[Авалонія](https://avaloniaui.net/)** - Совремельне інтерфейс робочого столу

### Використовуючи інструменти

- **[Маркдіг](https://github.com/xoofx/markdig)** - Ви вже використовуєте це для аналізу позначки
- **[Докер](https://www.docker.com/)** - Для запуску Qdrant або інших послуг
- **[Кора сутності](https://docs.microsoft.com/en-us/ef/core/)** - Якщо ми використовуємо pgvector

### Стак GPU

- **[ЦUDA](https://developer.nvidia.com/cuda-toolkit) 12.x** (станнє на момент написанняM SK1
- **[cuDNN](https://developer.nvidia.com/cudnn)** - Примітиви глибокого навчання

## Рівень ефективності

Різні налаштування мають різні можливості:

### З VRAM 8GB (Minimum МSK2

- **Розмір моделі**: 7B - моделі параметрів з квантизацією QM SK2
- **Обробка пакетів**: Введення процесів у менші пакети
- **Менеджмент пам 'яті**: Потрібно ретельно контролювати VRAM
- **Добре працює для**: Вказівник на написанняM SK1 генерування вбудованих

### З VRAM 12GBM SK1 (Comfortable)

- **Розмір моделі**МSK0 7B з високоякісною квантизацією
- **Обробка пакетів**: Більші партії для більшої пропускної спроможності
- **Можна також бігати**: Деякі МSK1B моделі з агресивною квантизацією

### 16GBM SK1 VRAM (Моє налаштування)

- **Розмір моделі**: МSK1BM SK2B - зручні моделі параметрів
- **Обробка пакетів**: Полні партії , мінімальні обмеження
- **Швидкі висновки**: СубM SK1секундні часи реагування
- **Столова**: Може експериментувати з різними моделями

### CPU-Только M SK1Fallback)

- **Все працює**, просто повільніше
- **Вбудова**: 5-10x повільніше, ніж GPU
- **Дослідження LLM**: 10-50x повільніше, ніж GPU
- **Все ще корисний**: Для писемного асистента з терпінням

## Дохід до розвитку

Ми МСК0 , ми будуємо його поступово ":".

1. Почнемо з найпростіших компонентів: (відмітка, читання
2. Додайте генерацію вміщування. ( може почати з APIM SK1 замість локального)
3. Почати роботу векторного пошуку
4. Збудувати базовий інтерфейс
5. Об 'єднати LLM
6. Поляк та оптимізувати

Кожна деталь зможе бути розроблена і перевірена самостійно.. Немає великих жахів з інтеграцією.

## Що' СледующаяM SK1

В **[Частина 2: Установка GPU & CUDA в C#](/blog/building-a-lawyer-gpt-for-your-blog-part2)**, ми ' отримаємо руки МSK2 з налаштуванням GPU M SK3

- Установлення CUDA та cuDNN на Windows
- Установлення середовища розвитку
- Використовуючи просту програму C# для перевірки доступу до GPU
- Випробовування базових висновків з програмою ONNX Runtime
- Оцінка нашого A4000, щоб зрозуміти, що ми можемо зробити

Це може здатися простим,, але правильно встановлювати стег GPU є вирішальним. ЯM SK2 марнували години на розв 'язання проблем, які спричинялися неправильними версіями чи бракуючими DLLs .

## Чому це важливо

Крім того, що це просто крутий проект, цей підхід має реальні застосування.

- **Технічна документація** - Утримка послідовного стилю у великих наборах doc
- **Юридична практика** - Справка про реальне використанняM SK1 Доклади, використовуючи прецеденти judikatuри
- **Маркетинг контенту** - Утримування брендового голосу в командах
- **Академічне письмо** - Схожість з попередніми дослідженнями та дослідженнями
- **Керування особистими знаннями** - Письменний асистент для власного корпусу

Принципи, що їх ми застосуємо, apply to any domain where you have existing content and need to maintain consistency while creating new material

## Завершення

Ми ' розпочинаємо подорож, щоб побудувати продуктивну систему RAG - МSK2 , яка базується на ассистенті-консультанті в C МSK3 і допомагає розробляти контент блогу, використовуючи минулі статті як матеріал для підказки \ - \ так само, як юристи використовують LLMs, навчені Jurisprudence \ МSK5 \ Ми \' \ використаємо сучасний графічний комп 'ютер \ , \ найновіші \ мSK8 \ NET характеристики \, \ та битву \мSK10 \ тестований штучний інтелект \

Це не дитячий проект. Ми створюємо щось, що дійсно може бути корисно для кожного, хто пише регулярно і хоче підтримувати послідовність, стиль, якість в великій кількості робіт

У наступній частині ми зробимо руки брудними за допомогою ЦUDA, МСК2, ГПЗ, МSK3 і переконаємось, що наша сфера розвитку готова до майбутніх проблем.

Залишайся на зв 'язку, і приготуйтеся до того, щоб дізнатись про вбудовані додатки , векторні бази даних МSK2 стратегії відокремлення chunks M SK3 швидке інженерне забезпечення , та всі інші чудові складності сучасних ШІ-систем

## Навігація серії

- **Частина 1: Вprowadzenie МSK1 Архітектура** (this postM SK1
- [Частина 2: Установка GPU & CUDA в C#](/blog/building-a-lawyer-gpt-for-your-blog-part2)
- [Частина 3: Порозуміння вбудованих компонентів МSK1 Вektorні бази даних](/blog/building-a-lawyer-gpt-for-your-blog-part3)
- [Частина 4: Збудування каналу впиту](/blog/building-a-lawyer-gpt-for-your-blog-part4)
- [Частина 5: Windows Client](/blog/building-a-lawyer-gpt-for-your-blog-part5)
- [Частина 6: Локальна інтеграція LLM](/blog/building-a-lawyer-gpt-for-your-blog-part6)
- [Частина 7: генерація контенту МSK1 швидка інженерія](/blog/building-a-lawyer-gpt-for-your-blog-part7)
- [Частина 8: Заawansовані характеристики & Розгортання виробництва](/blog/building-a-lawyer-gpt-for-your-blog-part8)

## Ресурс

Якщо ви хочете отримати головний старт, ось деякі ресурси, які я буду відноситься до впродовж цієї серіїM SK2

- [Документація про час бігу на NX](https://onnxruntime.ai/)
- [LLamaSharp GitHub](https://github.com/SciSharp/LLamaSharp)
- [Документація Qdrant](https://qdrant.tech/documentation/)
- [Перетворники речей](https://www.sbert.net/)
- [Розуміння систем РАГ](https://www.anthropic.com/index/contextual-retrieval)

Побачимося [Частина 2](/blog/building-a-lawyer-gpt-for-your-blog-part2)!