本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 整合
<a name="integration"></a>


| **問題** | **回應範例** | 
| --- | --- | 
| 將生成式 AI 解決方案與現有系統或資料來源整合有哪些需求？ | REST APIs、訊息佇列、資料庫連接器等。 | 
| 如何擷取和預先處理生成式 AI 解決方案的資料？ | 透過使用批次處理、串流資料、資料轉換和功能工程。 | 
| 如何耗用生成式 AI 解決方案的輸出，或與下游系統整合？ | 透過 API 端點、訊息佇列、資料庫更新等。 | 
| 哪些事件驅動整合模式可用於生成式 AI 解決方案？ | 訊息佇列 （例如 Amazon SQS、Apache Kafka、RabbitMQ)、pub/sub 系統、Webhook、事件串流平台。 | 
| 哪些 API 型整合方法可用來將生成式 AI 解決方案與其他系統連線？ | RESTful APIs、GraphQL APIs、SOAP APIs（適用於舊版系統）。 | 
| 哪些微服務架構元件可用於生成式 AI 解決方案整合？ | 服務間通訊的服務網格、API 閘道、容器協同運作 （例如 Kubernetes)。 | 
| 如何為生成式 AI 解決方案實作混合整合？ | 透過結合事件驅動的即時更新模式、歷史資料的批次處理，以及外部系統整合APIs。 | 
| 生成式 AI 解決方案輸出如何與下游系統整合？ | 透過 API 端點、訊息佇列、資料庫更新、Webhook 和檔案匯出。 | 
| 整合生成式 AI 解決方案時應考慮哪些安全措施？ | 身分驗證機制 （例如 OAuth 或 JWT)、加密 （傳輸中和靜態）、API 速率限制和存取控制清單 ACLs)。 | 
| 您打算如何將 LlamaIndex 或 LangChain 等開放原始碼架構整合到現有的資料管道和生成式 AI 工作流程中？ | 我們計劃使用 LangChain 來建置複雜的生成式 AI 應用程式，特別是其代理程式和記憶體管理功能。我們的目標是讓 60% 的生成式 AI 專案在未來 6 個月內使用 LangChain。 | 
| 如何確保所選開放原始碼架構與現有資料基礎設施之間的相容性？ | 我們正在建立專用整合團隊，以確保順暢的相容性。到了第三季度，我們的目標是擁有完全整合的管道，該管道使用 LlamaIndex 在我們目前的資料湖結構中實現有效的資料索引和擷取。 | 
| 您計劃如何利用 LangChain 等架構的模組化元件進行快速原型設計和實驗？ | 我們正在設定沙盒環境，開發人員可以使用 LangChain 的元件快速建立原型。 | 
| 在快速發展的開放原始碼架構中，您跟上更新和新功能的策略是什麼？ | 我們已指派一個團隊來監控 LangChain 和 LlamaIndex 的 GitHub 儲存庫和社群論壇。我們計劃每季評估和整合重大更新，專注於效能改善和新功能。 |