如果不使用新的软件基础设施技术，就很难理解它们。 至少，a16z 基础设施团队发现了这一点，而且因为我们中的许多人都是以程序员的身份开始职业生涯的，所以我们经常通过实践来学习。 尤其是生成式AI浪潮的情况尤其如此，它来得如此之快、如此引人注目，以至于良好的文档往往落后于代码几个月。 因此，为了更好地了解这个领域，我们一直围绕大型语言模型 (LLM)、大型图像模型、矢量数据库等构建项目。
在这样做的过程中，我们注意到，由于所有这些都是如此新，并且变化如此之快，所以确实没有好的框架可以快速入门。 每个项目都需要一堆样板代码和集成。 坦白说，这是一种痛苦。 因此，我们着手为那些想要尝试核心技术但又不想过多考虑诸如身份验证、托管和工具等辅助问题的人创建一个非常简单的“AI入门”模板 选择。
你可以在此处分叉并部署模板。 我们很乐意听到你的想法和反馈，以使模板变得更好。
推荐：用 NSDT编辑器 快速搭建可编程3D场景
1、组件
我们中的许多人都是 JavaScript/TypeScript 爱好者，因此我们选择 JavaScript 堆栈作为我们的起点。 尽管如此，这个框架可以很容易地修改以支持其他语言，我们计划很快就这样做。
以下是我们与长期合作者和开源爱好者 Tim Qi 共同构建的入门堆栈的简要概述。 目标是强调从 GitHub 上提取代码到运行生成式 AI 应用程序（图像和文本）的最简单路径。 它的设计目的是可以轻松扩展到更复杂的架构和项目：
- 身份验证：Clerk
- 应用逻辑：Next.js
- 矢量数据库：Pinecone / Supabase pgvector
- LLM编排：Langchain.js
- 图像模型：Replicate
- 文本模型：OpenAI
- 部署：Fly.io
有关新兴LLM栈的更详细概述，请查看我们之前的文章“LLM应用程序的新兴架构”。
2、模型与推理
模型托管是一件痛苦的事情，而且很大程度上是构建应用程序的正交问题。 因此，我们使用 OpenAI 进行文本构建，使用 Replicate 进行图像推理。 Replicate 还提供基于文本的模型（查看运行 Vicuna 是多么容易），因此你可以根据需要使用它代替 OpenAI。
3、身份验证
对于入门框架，我们通常不会费心包含 auth。 但是，在这种情况下，这些模型是如此强大和通用，以至于它们成为旨在获得免费使用的大规模、有组织的努力的目标。 当他们的模型提供商意外地收到 10,000 美元的账单时，开发人员通常会经历惨痛的教训。 这就是为什么我们选择包含 Clerk，它负责机器人检测的繁重工作，当然，如果你最终构建更复杂的应用程序，它还提供完整的身份验证支持。
4、矢量数据库
LLM 需要可靠的长期记忆来保存状态并围绕上下文窗口工作； 这是由矢量数据库处理的。 目前，Pinecone 是最成熟、最受生成 AI 人群欢迎的矢量存储库。 也就是说，我们希望为所有用例和首选项提供支持，因此我们还在存储库中包含了对 Supabase 的 pg-vector 的支持。
5、部署
对于部署，我们使用 Fly.io，因为它是多区域的，易于管理，并提供非常通用的计算环境（在容器中运行的任何东西）。
随着时间的推移，许多人工智能项目最终会使用多种语言，并且可能在后端需要实现重要的功能，因此 Fly.io 是 Vercel 或 Netlify 等 JavaScript 原生托管环境与传统云之间的良好折衷方案。 也就是说，如果你愿意的话，该代码可以轻松支持其他托管环境。 Fly.io 很快还将为你想要托管自己的模型的情况提供 GPU。
6、路线图
尽管我们认为第一次迭代是一个很好的起点，但我们正在用更多选项充实技术栈。 以下是我们的路线图：
- 用于 create-ai-stack 的交互式 CLI，开发人员可以在其中选择自己的项目支架和依赖项
- 用于高级用例的事务数据库（例如，保留问答中的问题、用户偏好等）
- 矢量数据库和部署平台的更多选项
- 开源模型的轻量级微调步骤
原文链接：生成式AI的JS技术栈 — BimAnt