Intégration et déploiement

Quatre modes d'accès, il y en a forcément un pour vous

D'une simple commande à l'intégration approfondie, à choisir librement selon la stack technique de l'équipe

CLI en ligne de commande

Pour : traitement par lots côté exploitation

Prétraitement, découpage et évaluation en une seule commande. Traitement par répertoires, reprise sur point d'arrêt, intégration par scripts à vos flux de traitement de données existants.

HTTP API

Pour : intégration côté backend applicatif

Interfaces RESTful couvrant le prétraitement, la construction de la base de connaissances et l'évaluation sur tout le processus, avec prise en charge synchrone/asynchrone, téléversement par blocs et suivi de progression par SSE.

SDK de bibliothèque dynamique C

Pour : intégration approfondie en C/C++/Java

Bibliothèques .so/.dylib/.dll multiplateformes + fichiers d'en-tête C, artefacts précompilés pour plusieurs plateformes, intégrés dans le processus de votre service, sans surcoût réseau.

Python / LangChain

Pour : équipes d'applications IA et de données

SDK Python sans dépendances + connecteur LangChain : trois lignes de code pour charger la base de connaissances d'entreprise dans une liste de Document, avec transmission des métadonnées.

À quel point c'est simple ? Regardez le code

Du « fichier » à la « base de connaissances », plus court que vous ne l'imaginez

Méthode 1 : prétraitement en ligne de commande (extraction → nettoyage → anonymisation → compression, une seule commande)

# prétraitement des documents uglypearai preprocess --input contract.docx --output-dir out/ --clean --desensitize --compress # construction de la base de connaissances (ingest sur toute la chaîne, reprise sur point d'arrêt possible) uglypearai chunk --mode ingest --input report.pdf --storage-dir ./rag_store --preset legal # exécution d'une évaluation uglypearai eval run --evalset my_set --report out/report.json

Méthode 2 : Python + LangChain (le plus pratique pour les équipes IA)

from uglypear_rag import UglyPearRAG from uglypear_rag.integrations.langchain_loader import UglyPearLoader client = UglyPearRAG("http://adresse-interne:8080", api_key="sk-uglypear-***") loader = UglyPearLoader(client, user_tags=["dept:legal"]) docs = loader.load() # -> [Document], métadonnées telles que chunk_id/version/étiquettes d'autorisation transmises automatiquement

Méthode 3 : HTTP API (appelable depuis tout langage)

POST /v1/rag/preprocess # document → JSON structuré + copie anonymisée POST /v1/rag/ingest # ingestion sur toute la chaîne : découpage → enrichissement → autorisations → stockage GET /v1/rag/documents # requête de documents et de points de connaissance, réingestion PATCH /v1/rag/.../validity # gouvernance de la fraîcheur : marquage obsolète/valide POST /v1/rag/eval/run # déclenchement de l'évaluation, rapport quantifié POST /v1/rag/feedback # attribution des cas négatifs, reflux des badcase

Déploiement : de Docker aux salles serveurs de la stack technologique national chinois

Environnement standard démarré en une seule étape, environnements spécifiques adaptés point par point

Déploiement standard (Docker)

# démarrage du service (compression + chaîne RAG complète) docker compose up -d # ou exécution sur machine nue RAG_STORAGE_DIR=/data/rag_store PORT=8080 ./uglypear-server

Les modèles OCR/analyse de mise en page (ONNX) sont distribués avec le paquet et inférés localement ; l'enrichissement de résumé par LLM se connecte à tout point de terminaison compatible OpenAI sur le réseau interne (optionnel). Les modules de fonctionnalités sont découpés par feature : compression seule, prétraitement seul, ou toute la chaîne — chacun prend ce dont il a besoin.

Environnements de la stack technologique national chinois

Prise en charge des systèmes d'exploitation Kylin/UOS, CPU Phytium/Kunpeng (artefacts arm64 complets), bases de données Dameng/Kingbase, avec installation entièrement hors ligne. Validé dans plusieurs projets de compatibilité avec la stack technologique national chinois, voirSolution de compatibilité stack technologique national chinois。

Connexion à votre stack IA

La base produit des JSON structurés standard et des points de connaissance avec métadonnées, interfaçables avec :

Milvus Qdrant PGVector Elasticsearch LangChain LlamaIndex Dify tout RAG développé en interne

Au niveau SDK, une bibliothèque dynamique FFI est également fournie (libcompressor.so + sdk.h), intégrable directement en C/C++/Java/Go. VoirSDK de compression RustetCentre des développeurs。

De zéro à la mise en route, en cinq étapes

Comptez généralement en « jours », et non en « mois »

Préparation de l'environnement

Liste des spécifications serveurs fournie, livraison par image Docker ou paquet d'installation hors ligne

Choix du mode d'accès

Choix de CLI / API / SDK selon la stack technique de l'équipe, première requête de test en une demi-journée

Pilote de documents validé de bout en bout

Ingestion d'un lot de documents réels sur toute la chaîne, avec rapport d'assurance qualité de l'analyse et rapport de nettoyage

Ajustement des stratégies

Choix des préréglages de découpage selon le type de document, construction conjointe du jeu d'évaluation sectoriel avec vous

Mise en production

Connexion aux bases vectorielles et aux systèmes métier, tableau de bord d'évaluation pour une surveillance continue