Microsoft udostępnia kod źródłowy pełnej aplikacji RAG z integracją DevOps
Microsoft opublikował na GitHubie kompletny kod źródłowy aplikacji RAG, prezentujący cały cykl życia rozwiązania – od indeksowania danych po wdrożenie w chmurze Azure.
Microsoft udostępnił na platformie GitHub kod źródłowy kompletnej aplikacji typu RAG (Retrieval-Augmented Generation), która oferuje gotowy obieg procesów – od wczytywania danych aż do finalnego wdrożenia. Jest to doskonały przykład dla osób stawiających pierwsze kroki w świecie sztucznej inteligencji oraz praktyk DevOps.
Funkcjonalność AI
Aplikacja implementuje pełny stos technologiczny do pracy z generatywną sztuczną inteligencją:
- Wczytywanie i indeksowanie własnych dokumentów.
- Generowanie osadzeń (embeddings) oraz wyszukiwanie wektorowe i semantyczne.
- Tworzenie odpowiedzi za pośrednictwem usługi Azure OpenAI.
- Dodawanie przypisów do źródeł oraz ocena jakości wygenerowanych odpowiedzi.
Architektura DevOps
Projekt demonstruje najlepsze praktyki w zakresie Infrastruktury jako Kodu (IaC) oraz automatyzacji:
- Aplikacja jest pakowana w kontenery Docker.
- Infrastruktura Azure jest wdrażana przy użyciu języka Bicep.
- Usługa działa w środowisku Azure Container Apps.
- Potoki CI/CD są automatyzowane za pomocą GitHub Actions.
- Autentykacja, prywatna sieć oraz monitoring logów, błędów i wydajności są realizowane przez Application Insights.
Repozytorium zawiera już samą aplikację, konfigurację infrastruktury oraz dane testowe, co umożliwia szybkie uruchomienie lokalne lub w chmurze.
🔗 Repozytorium: Azure-Samples/azure-search-openai-demo
Dlaczego to ważne
AnalizaTo rozwiązanie stanowi punkt odniesienia dla deweloperów, łącząc architekturę generatywnej AI z najlepszymi praktykami DevOps oraz automatyzacją potoków CI/CD.
Dyskutuj w społeczności
Dziel się swoimi pytaniami i spostrzeżeniami z programistami
Powiązane w ekosystemie
Praktyczne poradniki, kluczowa terminologia i skille agentów
Grafy wiedzy w wyszukiwaniu (GraphRAG)
Ewolucja architektury RAG opracowana przez Microsoft Research. Łączy klasyczne wyszukiwanie semantyczne oparte na wektorach z grafem wiedzy (Knowledge Graph), w którym dokumenty są przekształcane w węzły encji (osoby, firmy, lokalizacje) oraz krawędzie relacji między nimi, umożliwiając odpowiadanie na złożone pytania globalne dotyczące całego zbioru danych.
Darmowa biblioteka tworzy złożone modele 3D z kodu za pomocą AI
Sand3D to darmowy projekt open source, który pozwala tworzyć złożone obiekty trójwymiarowe, opisując zadanie sieci neuronowej bezpośrednio w kodzie.
Profil Hermes: inżynier DevOps i infrastruktura chmurowa
Profil inżyniera systemowego i DevOps Hermes: konfiguracja serwerów Linux, konteneryzacja Docker, potoki CI/CD, monitoring oraz bezpieczeństwo.
JSON — dane ustrukturyzowane dla aplikacji, API i agentów AI
Kompletny praktyczny przewodnik po formacie JSON: zasady składniowe, serializacja za pomocą parse/stringify, praca z REST API, JSON Schema oraz strukturalne wyjście dla sztucznej inteligencji.