Red Hat 为 Podman Desktop 提供了一个扩展，即 Podman AI Lab，它让开发人员能够通过使用大型语言模型（LLM）发现应用程序示例，并为他们提供一个框架来创建自己的基于 AI 的应用程序并与团队共享。
通过本文，我们将探索创建我们的第一个 AI 应用程序，并将其添加到 Podman AI Lab 的配方目录中的不同步骤。
对于我们的第一个实验，我们将为 podman-desktop.io 网站开发一个微服务。该微服务将从网站接收搜索词，并要求模型找到最匹配的页面，然后将结果返回给网站。
准备 Podman Desktop 和 Podman AI Lab
如果您还没有安装，请先安装 Podman Desktop 及其扩展 Podman AI Lab。
为了获得更好的体验，建议使用 GPU 加速来提供模型。如果您的机器上拥有这样的 GPU，您将需要使用 LibKrun 提供程序（在 MacOS 上）创建一个 Podman 机器。有关 Podman AI Lab 的 GPU 支持的更多详细信息。
在撰写本文时，Podman AI Lab 的 GPU 支持仍处于实验阶段。您需要在首选项中启用该选项才能使用。
使用模型测试提示
Podman AI Lab 提供了一个可本地使用的开源模型目录。您可以前往 `Models > Catalog` 页面下载您选择的模型。在本文中，我们将使用 `Mistral-7B-instruct` 模型。
一旦模型下载完成，我们可以测试并与该模型交互，以尝试找到最适合我们应用程序的提示。对于聊天模型，Podman AI Lab 提供了一个 `Playground`，这样我们可以测试不同的提示并验证模型的响应是否足够。
让我们开始一个新的 playground（从 `Models > Playgrounds` 菜单），并发送我们的第一个提示
Give me a list of pages in the website podman-desktop.io related to "build an image"
模型应该会以人类可读的形式回复一些页面列表（参见下面的截图，我们收到的响应）。
问题是响应是人类可读的形式，但我们不希望 API 原样返回此响应。我们希望获得页面的名称和 URL，并将其发送到网站，以便网站可以用其首选格式显示这些页面。
为此，我们可以尝试要求模型以结构化响应回复，使用以下提示
Give me a list of pages in the website podman-desktop.io related to "build an image" as JSON output as an array of objects with 2 fields name and url
这一次，我们收到了一个 JSON 格式的响应，这更适合我们的需求。
我们不期望用户提出如此精确的问题，我们更希望将用户的确切问题发送给模型，而不是实时修改它。为了实现这一点，聊天模型提供了系统提示功能。系统提示可以在聊天会话开始时定义。
Podman AI Lab 支持此功能，让我们用以下系统提示重新启动一个 Playground 会话
Give me a list of pages in the website podman-desktop.io related to the request as JSON output as an array of objects with 2 fields name and url
然后，发送提示 `build an image`，以模拟一个真实的用户搜索输入。
我们可以在下面的截图中看到，模型仍然返回一个适合我们用例的响应。
请注意，本节并非关于编写最佳提示的课程，我相信您会为此目的找到更有效的提示。本节的目的是演示如何使用 Podman AI Lab 迭代以优化您想用于应用程序的提示。
测试配方
现在我们有了适合我们应用程序的提示，是时候启动我们的应用程序本身了。
许多开发者更喜欢从一个可用的应用程序示例开始，而 Podman AI Lab 通过一个配方目录提供了这样的示例，可以在 `AI Apps > Recipe Catalog` 页面看到。
让我们选择 Chatbot 配方（在 Chatbot 卡片上点击 `More details` 链接），并使用 Mistral 模型启动它（通过按 `Start` 按钮并填写表单）。
应用程序启动后，我们可以在 `AI Apps > Running` 页面访问正在运行的应用程序列表，并通过点击 `Open AI App` 链接访问应用程序的 UI。
我们可以再次通过输入我们的提示（不是带有系统提示的那个，因为该配方不支持提供系统提示）进行测试，并看到响应与从 playground 收到的非常相似。
返回配方的详情页面，我们可以通过点击 在 VSCode 中打开 按钮、存储库链接或 本地克隆 链接来访问配方的源代码。
配方的结构
配方的入口点是其存储库中的 ai-lab.yaml 文件。
让我们检查一下聊天机器人示例中此文件的内容（文件语法在 此文档中指定）。
version: v1.0
application:
type: language
name: ChatBot_Streamlit
description: Chat with a model service in a web frontend.
containers:
- name: llamacpp-server
contextdir: ../../../model_servers/llamacpp_python
containerfile: ./base/Containerfile
model-service: true
backend:
- llama-cpp
arch:
- arm64
- amd64
ports:
- 8001
image: quay.io/ai-lab/llamacpp_python:latest
- name: streamlit-chat-app
contextdir: app
containerfile: Containerfile
arch:
- arm64
- amd64
ports:
- 8501
image: quay.io/ai-lab/chatbot:latest
该文件定义了两个容器，一个用于推理服务器，另一个用于应用程序本身。
第一个容器用于推理服务器，是通用的，可以被任何使用聊天模型的应用重用。
第二个是我们特别感兴趣的。它定义了如何构建应用程序的容器镜像。它指向用于构建镜像的 Containerfile，我们可以在其中找到应用程序的源代码：在 `app/chatbot_ui.py` 文件中。
查看 Python 源代码文件，我们可以看到应用程序使用了 streamlit 框架来处理 UI 部分，并使用 langchain 框架与模型进行对话。
我们可以调整此源代码，将 UI 部分替换为能将应用变为 REST 服务的框架，并保留 langchain 部分。
源代码中一个有趣的部分是，该配方没有向用户暴露系统提示，而是在内部定义了一个（You are world class technical advisor）。
prompt = ChatPromptTemplate.from_messages([
("system", "You are world class technical advisor."),
MessagesPlaceholder(variable_name="history"),
("user", "{input}")
])
这正是我们希望在应用程序中实现的功能，我们将能够在此处指定我们之前找到的系统提示。
创建我们自己的应用
根据我们应用程序的目的调整源代码超出了本文的范围，让我们在 我们的应用程序仓库中查看结果。
正如上一节所讨论的，我们已经用 `flask` 框架替换了 `streamlit` 部分，以创建一个具有两个端点的 REST API：一个用于 Podman AI Lab 所需的 `/` 上的健康检查，另一个用于 `/query`，这将是微服务用户发送请求的端点。
我们还指明了我们自己的系统提示。
prompt = ChatPromptTemplate.from_messages([
("system", """
reply in JSON format with an array of objects with 2 fields name and url
(and with no more text than the JSON output),
with a list of pages in the website https://www.podman-desktop.io related to my query
"""),
MessagesPlaceholder(variable_name="history"),
("user", "{input}")
])
在本地测试我自己的应用
为了在开发我们的应用程序期间进行迭代，我们可以在本地主机系统上测试我们的应用程序，同时使用 Podman AI Lab 提供的模型。为此，我们需要从“模型 > 服务”页面启动一个新的模型服务，方法是点击“新建模型服务”，然后选择适当的模型（在我们的例子中是 `Mistral-7B-instruct`），并指定一个端口号（比如 56625）。
然后，我们可以运行我们的应用程序，通过 MODEL_ENDPOINT 环境变量指定如何访问模型服务。
最后，我们可以向这个在本地运行并监听 5000 端口的应用发送请求，我们可以在下面的截图中检查到响应如预期一样，是一个 JSON 格式的页面列表（名称和 URL）。
创建配方
最后一步是将此应用程序添加到 Podman AI Lab 配方目录中。
Podman AI Lab 允许用户通过自己的配方扩展提供的目录。这可以通过在特定目录中添加文件来完成，如 此文档 所述。
{
"version": "1.0",
"recipes": [
{
"id": "search-podman-desktop-io",
"description": "Search on Podman-desktop.io website",
"name": "Search Podman-desktop.io",
"repository": "https://github.com/redhat-developer/podman-desktop-demo",
"ref": "main",
"icon": "natural-language-processing",
"categories": ["natural-language-processing"],
"basedir": "ai-lab-demo/recipe",
"readme": "",
"recommended": ["hf.TheBloke.mistral-7b-instruct-v0.2.Q4_K_M"],
"backend": "llama-cpp"
}
]
}
通过创建文件 `$HOME/.local/share/containers/podman-desktop/extensions-storage/redhat.ai-lab/user-catalog.json` 并包含上述内容，您现在应该能够在 Podman AI Lab 的配方目录中看到一个新的配方“搜索 Podman-desktop.io”，并像运行任何其他配方一样运行它。当然，您可以与您的同事分享此文件，以便他们也能分享您最新的实验。
