官方网站：Towhee | Home - Towhee

Towhee 是一个尖端框架，旨在通过使用基于大型语言模型 （LLM） 的管道编排来简化非结构化数据的处理。它具有独特的优势，可以从各种非结构化数据类型（包括冗长的文本、图像、音频和视频文件）中提取宝贵的见解。利用生成式 AI 和 SOTA 深度学习模型的功能，Towhee 能够将这些未处理的数据转换为特定格式，例如文本、图像或嵌入。然后，可以有效地将这些内容加载到适当的存储系统中，例如矢量数据库。开发人员最初可以使用用户友好的 Pythonic APU 构建直观的数据处理管道原型，然后针对生产环境进行优化。

🎨 多模态：Towhee 能够处理多种数据类型。无论是图像数据、视频剪辑、文本、音频文件，甚至是分子结构，Towhee 都可以处理它们。

📃 LLM 流水线编排：Towhee 提供了适应不同大型语言模型 （LLM） 的灵活性。此外，它还允许在本地托管开源大型模型。此外，Towhee 还提供及时管理和知识检索等功能，使与这些 LLM 的交互更加高效和有效。

🎓 丰富的运营商：Towhee 在五个领域提供广泛的即用型先进模型：CV、NLP、多模态、音频和医疗。拥有 BERT 和 CLIP 等 140 多种模型，以及视频解码、音频切片、帧采样和降维等丰富功能，有助于高效构建数据处理流水线。

🔌 预构建的 ETL 管道：Towhee 提供现成的 ETL（提取、转换、加载）管道，用于检索增强生成、文本图像搜索和视频复制检测等常见任务。这意味着您无需成为 AI 专家即可使用这些功能构建应用程序。 ⚡️ 高性能后端：利用 Triton 推理服务器的强大功能，Towhee 可以使用 TensorRT、Pytorch 和 ONNX 等平台加速 CPU 和 GPU 上的模型服务。此外，只需几行代码即可将 Python 管道转换为高性能 docker 容器，从而实现高效的部署和扩展。

🐍 Pythonic API：Towhee 包含一个 Pythonic 方法链 API，用于描述自定义数据处理管道。我们还支持架构，这使得处理非结构化数据就像处理表格数据一样简单。