AI Best Practices

Outils d'automatisation des flux de travail et d'IA

Modèles et cadres d'IA

Apprendre et comprendre

Meilleures pratiques générales

Dépenses en jetons et contrôle FinOps

Traitez l'utilisation du modèle comme les dépenses cloud : voyez qui brûle les jetons, définissez les budgets et acheminez le trafic via un compteur. passerelle : discipline FinOps appliquée à l'inférence LLM plutôt qu'aux seules machines virtuelles et compartiments.

Mon pipeline de documents

Un flux PDF-connaissance pratique : normalisez les PDF localement, archivez et OCR dans Paperless, enrichissez avec Paperless-AI, exécutez éventuellement un résumé et une traduction via des flux de travail temporels durables, puis travaillez avec le corpus dans AnythingLLM (avec Paperless-ngx connecté pour des vérifications rapides).Enfin, chargez le connaissances consolidées dansOuvrirRAGet exposez-le via un outil MCP développé en interne afin que tous les autres agents ou clients de chat puissent réutiliser la même récupération surface.

1. 
   PDF sur Stirling Divisez, fusionnez, faites pivoter ou nettoyez localement les PDF avant l'ingestion afin que les téléchargements soient cohérents et plus petits.
2. 
   Sans papier-ngx Téléchargez les PDF préparés ;Paperless-ngx stocke, indexe et exécute la consommation de documents (balises, correspondants, archives consultables).
3. 
   IA sans papier Laissez Paperless-AI traiter les documents après leur ingestion (classification, métadonnées, workflows orientés RAG, selon votre configuration);attendez la fin du traitement avant de vous fier au texte ou aux balises extraites.
4. 
   Temporal Orchestrez un flux de travail de suivi : résumez des documents longs, traduisez le contenu dans d'autres langues, enchaînez les étapes humaines et réessayez les activités de manière fiable.Temporal conserve l'état et les minuteries pour vous ces pipelines survivent aux redémarrages et restent observables.temporalio/temporelest le serveur open source ;associez-le à des travailleurs qui appellent votre LLM ou vos API de traduction.
5. 
   N'importe quoiLLM (Docker) Utilisez un serveur auto-hébergéN'importe quoiLLMinstance (par exemple via Docker) pour extraire le contenu traité dans un espace de travail de discussion/RAG privé.Comme Paperless-ngx est intégré à AnythingLLM, vous pouvez parcourir et interroger le même ensemble de documents à partir du discutez dans l'interface utilisateur et vérifiez rapidement que l'OCR, les balises et les résumés ou traductions en aval semblent corrects.Le Le guide lié couvre les montages de stockage, les variables d'environnement et l'accès aux services hôte à partir du conteneur.
6. 
   OuvrirRAG Transférez le corpus complet et vérifié dans OpenRAG : la pile en amont combine les workflows Langflow, Docling l'analyse et la récupération basée sur OpenSearch afin que vous obteniez un seul package pour l'ingestion, la recherche et le chat sur vos documents.De là, connectez unserveur MCP personnaliséque vous possédez (enveloppez les API d'OpenRAG ou suivez le même contexte de modèle Modèles de protocole en tant que projetopenrag-mcphelper) et enregistrez-le dans Cursor, Claude Desktop ou tout autre hôte compatible MCP.Plus tard, tous les autres agents ou assistants IA pourront appeler ces outils au lieu de réimplémenter l’accès à votre base de connaissances.