实验：构建 AI 产品评论分析器
动手实验：构建一条 AI 流水线，按情感对产品评论进行分类、 使用嵌入向量按主题聚类、提取可落地的功能点， 并生成结合上下文的回复——全部在本地运行。
Table of contents
为一款名为 Jarvis 的虚构 AI 产品构建一条完整的反馈分析流水线。 你将编写 Node.js 代码，通过 Docker Model Runner 运行本地 LLM 和嵌入模型—— 无需 API 密钥、无需云订阅，也没有任何数据离开你的 机器。
启动实验
-
Start the labspace:
$ docker compose -p labspace -f oci://dockersamples/labspace-creating-ai-product-reviewer up -d -
Open your browser to http://localhost:3030.
-
When you're done, tear down the labspace:
$ docker compose -p labspace down
你将学到什么
完成本 Labspace 后，你将掌握以下内容：
- 通过 Docker Model Runner 的 OpenAI 兼容 API 在本地运行 LLM
- 使用 OpenAI SDK 和 Compose 的
models:集成，把 Node.js 应用连接到 Docker Model Runner - 使用低温度的 LLM 分类完成情感分析
- 使用嵌入向量和余弦相似度对语义相关的反馈进行聚类
- 使用
response_format: { type: 'json_object' }从 LLM 中提取结构化数据 - 基于提取出的产品功能点，生成结合上下文的评论回复
模块
| # | 模块 | 说明 |
|---|---|---|
| 1 | 引言 | 流水线概览与 Docker Model Runner 环境准备 |
| 2 | 项目搭建与 Docker Model Runner | 浏览初始项目并接入 Compose 的模型集成 |
| 3 | 生成合成反馈 | 使用 LLM 生成逼真的产品评论作为测试数据 |
| 4 | 情感分析 | 使用低温度生成，将评论分类为正面、负面或中性 |
| 5 | 嵌入向量与语义聚类 | 使用向量嵌入和余弦相似度对相关评论进行归类 |
| 6 | 功能点与回复 | 提取可落地的功能点并生成结合上下文的评论回复 |
| 7 | 总结 | 技术回顾与扩展流水线的思路 |