IndexTank Service 技术文档
1. 安装指南
1.1 环境准备
在安装 IndexTank Service 之前,请确保您的系统满足以下依赖要求:
- Django 1.2.x(推荐使用 1.2.7 版本,不兼容 1.3.x)
- Python 2.6.6
- Java(TM) SE Runtime Environment(推荐使用 build 1.6.0_24-b07)
- nginx
- uWSGI
- MySQL
- daemontools
- Thrift 库(已提供 0.5.0 版本的生成源代码)
1.2 数据库配置
首先,您需要创建数据库架构。使用以下命令:
python manage.py syncdb
该命令将根据 Django 的模型定义自动创建所需的数据库表。
1.3 创建账户
在数据库配置完成后,您需要创建一个账户。可以通过 Storefront 应用中的用户注册表单来完成此操作。
1.4 启动索引实例
在账户创建完成后,您需要启动一个索引实例(IndexTank Engine)。确保 IndexTank Engine 已正确安装并配置。
1.5 启动 API
最后,启动 API 服务。您可以使用以下命令:
python manage.py runserver
2. 项目的使用说明
2.1 API 使用
API 是 IndexTank Service 的核心组件,它提供了 REST JSON API,允许用户管理账户、索引数据以及执行搜索操作。API 通过 Thrift 与特定的索引实例进行交互。
2.2 Backoffice 使用
Backoffice 是一个 Django 应用,允许管理员进行手动管理操作。您可以通过 Backoffice 管理用户账户、索引实例以及其他系统资源。
2.3 Storefront 使用
Storefront 是 IndexTank Service 的 Web 界面,包含用户注册表单。用户可以通过 Storefront 创建账户并管理其索引实例。
2.4 Nebu 使用
Nebu 是索引、部署和工作节点的管理器。一个工作节点(服务器实例)可以包含一个或多个部署(索引实例)。Nebu 负责管理这些实例的生命周期。
3. 项目 API 使用文档
3.1 索引管理
通过 API,您可以创建、删除和管理索引实例。以下是一些常用的 API 操作:
- 创建索引:
POST /api/v1/indexes - 删除索引:
DELETE /api/v1/indexes/{index_id} - 获取索引信息:
GET /api/v1/indexes/{index_id}
3.2 数据索引
您可以通过 API 将数据索引到指定的索引实例中。以下是一些常用的 API 操作:
- 添加文档:
POST /api/v1/indexes/{index_id}/documents - 删除文档:
DELETE /api/v1/indexes/{index_id}/documents/{document_id} - 更新文档:
PUT /api/v1/indexes/{index_id}/documents/{document_id}
3.3 搜索操作
通过 API,您可以执行搜索操作。以下是一些常用的 API 操作:
- 执行搜索:
GET /api/v1/indexes/{index_id}/search?q={query} - 高级搜索:
GET /api/v1/indexes/{index_id}/search?q={query}&filters={filters}
4. 项目安装方式
4.1 从源代码安装
-
克隆 IndexTank Service 的源代码仓库:
git clone https://github.com/linkedin/indextank-service.git -
进入项目目录:
cd indextank-service -
安装依赖项:
pip install -r requirements.txt -
配置数据库并启动服务,具体步骤请参考第 1 节“安装指南”。
4.2 使用 Docker 安装
如果您希望使用 Docker 来简化安装过程,可以参考以下步骤:
-
构建 Docker 镜像:
docker build -t indextank-service . -
运行 Docker 容器:
docker run -d -p 8000:8000 indextank-service -
访问
http://localhost:8000来使用 IndexTank Service。
通过以上步骤,您应该能够成功安装并使用 IndexTank Service。如果您在安装或使用过程中遇到任何问题,请参考项目的官方文档或联系技术支持。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00