Superduper - 在数据上构建端到端AI工作流和应用

---

一、关于 Superduper

Superduper 是一个基于 Python 的框架，用于在您的数据上构建 端到端 AI-数据工作流和应用，同时与主要数据库集成。

它支持最新的技术和技术，包括 LLMs、向量搜索、RAG、多模态以及经典 AI 和 ML 范式。

开发者可以通过构建 组合和声明式对象 来利用 Superduper，这些对象将部署、编排和版本管理等细节外包给 Superduper 引擎。

这使得开发者可以完全避免实现 MLOps、ETL 管道、模型部署、数据迁移和同步。

使用Superduper简单地说就是 “CAPE”：连接到您的数据，应用任意AI到这些数据，打包并重用应用程序在任意数据上，以及执行基于AI输出的数据查询和预测。

• 连接 Connect
• 应用 Apply
• 包 Package
• 执行 Execute

---

相关链接资源

• Github : https://github.com/superduper-io/superduper
• 文档 : https://docs.superduper.io
• 博客: https://blog.superduper.io
• 网站: https://superduper.io
• 模板 : https://docs.superduper.io/docs/category/templates
• Slack: https://join.slack.com/t/superduper-public/shared_invite/zt-1yodhtx8y-KxzECued5QBtT6JFnsSNrQ
• Youtube : https://www.youtube.com/channel/UC-clq9x8EGtQc6MHW0GF73g
• 领英 : https://www.linkedin.com/company/superduper-io"
• 许可证 - Apache 2.0
• 招聘：https://join.com/companies/superduper

---

二、安装

必需：确保您已安装 Python 3.10+。
安装基本包：

pip install superduper-framework >= 0.6.0

---

安装您数据后端的插件：

# at least one or more of the following:
pip install superduper-mongodb >= 0.6.0
# or
pip install superduper-sql >= 0.6.0
# or
pip install superduper-snowflake >= 0.6.0

---

安装适用于您用例的附加插件（可选）：

pip install superduper-<plugin_name>

---

三、基本用法

Connect

db = superduper('mongodb|postgres|mysql|sqlite|duckdb|snowflake://<your-db-uri>')

---

Apply

listener = MyLLM('self_hosted_llm', architecture='llama-3.2', postprocess=my_postprocess).to_listener('documents', key='txt')
db.apply(listener)

---

Package

application = Application('my-analysis-app', components=[listener, vector_index])
template = Template('my-analysis', component=app, substitutions={'documents': 'table'})
template.export('my-analysis')

---

Execute

query = db['documents'].like({'txt', 'Tell me about Superduper'}, vector_index='my-index').select()
query.execute()

---

Superduper 可在任何地方运行；您也可以 联系我们 了解更多关于将 Superduper 工作流程大规模投入生产的企业平台的信息。

---

四、更多Superduper说明

Superduper支持什么？

Superduper足够灵活，可以支持广泛的AI技术和范式。我们在plugins和templates目录中提供了一系列预构建的功能。特别是，当AI和数据需要以持续和紧密集成的形式交互时，Superduper表现得尤为出色。以下是一些示例，您可以从我们的模板中进行尝试：

• 语义多模态向量搜索 (图片, 文本, 视频)
• 检索增强生成 具有特殊要求（数据获取涉及语义搜索以及业务规则和预处理）
• LLM finetuning on database hosted data
• 使用多模态数据进行迁移学习
  我们正在寻找热情的开发者，以贡献到Superduper开源中提供的精彩预构建模板和工作流程的库。请加入讨论，通过贡献问题和拉取请求！

---

核心功能

• 创建一个超级超级数据-AI 连接/数据层，由您自己的
• 数据后端（数据库/数据湖/数据仓库）
• 元数据存储（与databackend相同或不同）
• 工件存储（用于存储大对象）
• 计算实现
• 使用声明式编程模型构建复杂的功能单元（组件），这些单元与您的数据后端中的数据紧密集成，通过一组简单的原语和基类实现。
• 构建更大的功能单元，将多个相互关联的 Component 实例封装到 AI 数据 Application 中
• 重复使用经过实战考验的 Component、Model 和 Application 实例，通过 Template 为开发者提供一个容易入手的起点，以便进行困难的 AI 实现
• 一种透明、可读、网络友好且高度可移植的序列化协议，“Superduper-protocol”，用于通信实验结果，使 Application 线程和版本易于跟踪，并从AI世界到数据库/类型化数据世界的优雅过渡。
• 使用 Model 实例的输出以及主数据后端数据组合执行查询，以启用最新一代的 AI-数据应用，包括所有类型的向量搜索、RAG 以及更多更多。

---

关键优势

• 极大的灵活性
  结合任何基于Python的AI模型，与最成熟、经过实战考验的数据库和仓库进行集成；Snowflake、MongoDB、Postgres、MySQL、SQL Server、SQLite、BigQuery和Clickhouse都受到支持。
• 无缝集成避免MLOps
  去除实现MLOps的需求，使用声明式和组合式的Superduper组件，这些组件指定了模型和数据应达到的最终状态。
• 提高代码的可重用性和可移植性
  将组件打包为模板，公开所需的键参数，以便在您的社区和组织中重用和通信AI应用程序。
• 成本节省
  实现无需专用向量数据库的向量搜索和嵌入生成。轻松地在自托管模型和API托管模型之间切换，无需进行重大代码更改。
• 无需额外努力即可迁移到生产环境
  Superduper的REST API允许安装的模型无需额外开发工作即可提供服务。为了实现企业级可扩展性、安全措施、安全性和日志记录，使用Superduper创建的应用程序和工作流程可以一键部署到Superduper企业。

---

一个优雅的更新模式来更新已应用的组件

这意味着更改深层次的 Component 中的提示或参数不会意味着
从头开始启动所有组件。这也为回滚奠定了基础
并且版本固定。

---

利用 Template 类的智能表单构建器

这将允许开发者将他们的应用程序作为无代码界面进行展示。

---

基于Python原生类型注解的序列化

from superduper import typing as tclass MyPDF:path: t.Filemy_func: t.Blobmy_other_func: t.Pickle

---

社区与获取帮助

如果您有任何问题、疑问、评论或想法：

• 加入我们的 Slack 我们的 Slack (我们期待在那里见到你)。
• 在我们的 GitHub 讨论区进行搜索 我们的 GitHub 讨论区，或 添加一个新的问题(add a new question)。
• 评论现有的一个问题（点击此处）或创建一个新的问题。
• 帮助我们改进Superduper，通过在此处提供您宝贵的反馈 here！
• 邮箱联系我们：[e-mail]
• 访问我们的 YouTube 频道.
• 关注我们于 Twitter (now X).
• 与我们联系 LinkedIn.
• 随时欢迎直接联系维护者或社区志愿者！

---

当前支持的数据存储

• MongoDB
• MongoDB Atlas
• Snowflake
• PostgreSQL
• MySQL
• SQLite
• DuckDB
• Google BigQuery
• Microsoft SQL Server (MSSQL)
• ClickHouse

---

2025-04-16（三）