fix

llamaindex_RAG.py

@@ -7,15 +7,15 @@ from llama_index.llms.huggingface import HuggingFaceLLM
 #初始化一个HuggingFaceEmbedding对象，用于将文本转换为向量表示
 embed_model = HuggingFaceEmbedding(
 #指定了一个预训练的sentence-transformer模型的路径
-    model_name="/root/model/sentence-transformer"
+    model_name="sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2"
 )
 #将创建的嵌入模型赋值给全局设置的embed_model属性，
 #这样在后续的索引构建过程中就会使用这个模型。
 Settings.embed_model = embed_model
 
 llm = HuggingFaceLLM(
-    model_name="/root/model/internlm2-chat-1_8b",
-    tokenizer_name="/root/model/internlm2-chat-1_8b",
+    model_name="internlm/internlm2_5-1_8b-chat",
+    tokenizer_name="internlm/internlm2_5-1_8b-chat",
     model_kwargs={"trust_remote_code":True},
     tokenizer_kwargs={"trust_remote_code":True}
 )
@@ -23,7 +23,7 @@ llm = HuggingFaceLLM(
 Settings.llm = llm
 
 #从指定目录读取所有文档，并加载数据到内存中
-documents = SimpleDirectoryReader("/root/llamaindex_demo/data").load_data()
+documents = SimpleDirectoryReader("Streamlit-LlamaIndex-API/data").load_data()
 #创建一个VectorStoreIndex，并使用之前加载的文档来构建索引。
 # 此索引将文档转换为向量，并存储这些向量以便于快速检索。
 index = VectorStoreIndex.from_documents(documents)

llamaindex_internlm.py

@@ -1,8 +1,8 @@
 from llama_index.llms.huggingface import HuggingFaceLLM
 from llama_index.core.llms import ChatMessage
 llm = HuggingFaceLLM(
-    model_name="/root/model/internlm2-chat-1_8b",
-    tokenizer_name="/root/model/internlm2-chat-1_8b",
+    model_name="internlm/internlm2_5-1_8b-chat",
+    tokenizer_name="internlm/internlm2_5-1_8b-chat",
     model_kwargs={"trust_remote_code":True},
     tokenizer_kwargs={"trust_remote_code":True}
 )