docker pull qdrant/qdrant:latest
docker run -d --name qdrant --rm -p 127.0.0.1:6333:6333 qdrant/qdrant   # 必须加 127.0.0.1: 前缀
curl -s http://127.0.0.1:6333/                                          # 期望返回版本 JSON
docker rm -f qdrant                                                     # 用完即删

# 1. 安装（默认装最新版；会自动创建并启用 systemd 服务）
curl -fsSL https://ollama.com/install.sh | sh
ollama --version        # 必做：和 https://github.com/ollama/ollama/releases 对一下
systemctl is-enabled ollama   # 默认 enabled（开机自启）；不想要常驻：systemctl disable --now ollama

# 2. 小内存/无 GPU 机器：先用小模型走通全流程，别一上来就 7B
ollama pull qwen2.5:0.5b            # 397MB，~41s
ollama run qwen2.5:0.5b "你好，用一句话自我介绍"

# 3. 确实需要 7B（≥16G 内存或有 GPU 再上）
# ollama pull qwen2.5:7b && ollama run qwen2.5:7b "你好"

# 4. 升级 = 重跑安装脚本（实测平滑：服务自动重启、模型/配置保留）
curl -fsSL https://ollama.com/install.sh | sh

npm i -g promptfoo                      # 约 2.5 分钟
mkdir -p ~/ai-dashboard && cd ~/ai-dashboard
cat > promptfooconfig.yaml <<'EOF'
description: "我的第一个 eval"
prompts:
  - "把下面的词翻译成英文,只输出译文: {{word}}"
providers:
  - ollama:chat:qwen2.5:0.5b            # 注意：冒号写法！ollama:chat:模型名
tests:
  - vars: { word: 猫 }
    assert: [{ type: contains, value: cat }]
  - vars: { word: 狗 }
    assert: [{ type: contains, value: dog }]
EOF
promptfoo eval                          # 预期: 2 passed (100%)
promptfoo view                          # 可选：浏览器面板（无 GUI 环境跳过）

# 0. 前置：Ollama 已在跑（见测试 2）
ollama pull qwen2.5:3b      # 实体抽取模型（≥3B，0.5B 实测不可用）
ollama pull bge-m3          # 嵌入模型（1024 维，官方默认）

# 1. 独立 venv（绕开 PEP 668）
python3 -m venv ~/lightrag-venv
~/lightrag-venv/bin/pip install lightrag-hku        # 实测 1.5.7，约 27s

# 2. 脚本（已归档：round2/agents/artifacts/lightrag_min_v3.py）

import asyncio, glob
from lightrag import LightRAG, QueryParam
from lightrag.llm.ollama import ollama_model_complete, ollama_embed

OLLAMA = "http://127.0.0.1:11434"

async def main():
    rag = LightRAG(
        working_dir="/tmp/lightrag-work",
        llm_model_func=ollama_model_complete,
        llm_model_name="qwen2.5:3b",
        llm_model_kwargs={"host": OLLAMA, "options": {"num_ctx": 8192}},
        embedding_func=ollama_embed,        # 关键：官方 Ollama 集成（bge-m3/1024维）
        embedding_batch_num=2,
    )
    await rag.initialize_storages()
    docs = [open(f, encoding="utf-8").read()
            for f in sorted(glob.glob("/tmp/lightrag-docs/*.md"))]
    await rag.ainsert(docs)
    for mode in ["naive", "local", "hybrid"]:
        print(mode, "->", (await rag.aquery(
            "谁负责凤凰计划?它部署在哪台服务器?", param=QueryParam(mode=mode)))[:200])
    await rag.finalize_storages()

asyncio.run(main())

#!/usr/bin/env bash
set -e
mkdir -p ~/agents
cat > ~/agents/daily_brief.sh <<'EOF'
#!/usr/bin/env bash
# 绝对路径 + 日志重定向，两个都不能省
OUT=~/agents/briefs/$(date +%F).md
mkdir -p "$(dirname "$OUT")"
curl -s http://127.0.0.1:11434/api/generate \
  -d '{"model":"qwen2.5:3b","prompt":"用三句话总结今天 AI 领域值得关注的事。","stream":false}' \
  | jq -r '.response' >> "$OUT" 2>> ~/agents/error.log
EOF
chmod +x ~/agents/daily_brief.sh
~/agents/daily_brief.sh          # ① 先手动跑通

# ② 再加 cron（每天 9:00；测试用 */2 高频验证后记得改回）
( crontab -l 2>/dev/null; echo "0 9 * * * $HOME/agents/daily_brief.sh >> $HOME/agents/cron.log 2>&1" ) | crontab -
crontab -l                       # 确认