Проверка после обновления

После завершения обновления AI Server выполните описанные ниже проверки, чтобы убедиться в корректной работе системы.

1. Общие проверки

1. Откройте портал AI Server в браузере.
2. Авторизуйтесь под учётной записью администратора.
3. В правом нижнем углу экрана проверьте версии Frontend и Backend – они должны соответствовать целевой версии обновления.
4. Перейдите в Настройки > Состояние и убедитесь, что отображаемая версия для каждого из сервисов совпадает с ожидаемой.

2. Проверка файлов на сервере

Модели, контекст NLP-запросов и пресеты конвейеров агентских систем Центр управления хранит файлами без расширения, имя файла - идентификатор. Если файла нет или он скачан не полностью, процесс, которому он нужен, не запустится, а сообщение об ошибке не всегда указывает на причину.

Команды ниже выводят найденные файлы с размером в байтах или сообщают, что файла нет. Выполняйте их на машине Центра управления при запущенных контейнерах.

Контекст NLP-запросов

ids="13fb0ff5-3f31-44e1-9c99-e24276380a3f a9d109d6-0125-42f9-b44e-2052a0c4e164 d24b857c-6c21-4d5f-990f-52d6235c33dd e41cc59b-059f-4471-8d09-328aab8ed60f"
for id in $ids; do
    out=$(docker exec server_api find /app/Primo.AI/Api_NlpContext -iname "$id" -exec ls -l {} \;)
    if [ -n "$out" ]; then echo "$out"; else echo "Нет файла: $id"; fi
done

Пресеты конвейеров агентских систем

ids="3bc6dd44-226f-4a61-87e6-475e4c0e2dd0 b933462a-b85e-4267-b5df-45a78f9453a4 e18c953c-6cbf-4f43-9267-76796bea018c fd652603-1410-49cd-a3ab-6323256753fa"
for id in $ids; do
    out=$(docker exec server_api find /app/Primo.AI/Api_LangflowScriptPreset -iname "$id" -exec ls -l {} \;)
    if [ -n "$out" ]; then echo "$out"; else echo "Нет файла: $id"; fi
done

Модели

Набор моделей у каждой установки свой, поэтому список файлов для проверки составьте сами:

1. Перейдите в раздел Настройки ➝ Базовые модели.
2. В таблице базовых моделей найдите нужную модель и нажмите значок ☰ для вызова меню действий.
3. Выберите пункт Редактировать.
4. Скопируйте значение поля Идентификатор файла кнопкой копирования рядом с ним.
5. Повторите для остальных моделей, которые используете.

Перечислите скопированные идентификаторы через пробел в переменной ids и выполните команду. В примере - модели RAG-сервера qwen3-embed-4b и qwen3-rerank-0.6b:

ids="7316ea9c-eb37-40fd-ba09-551d5568c60e 91b8ef72-f954-4409-8b7b-26c7a9bedefe"
for id in $ids; do
    out=$(docker exec server_api find /app/Primo.AI/Api_Models -iname "$id" -exec ls -l {} \;)
    if [ -n "$out" ]; then echo "$out"; else echo "Нет файла: $id"; fi
done

Размер модели сверьте с колонкой Размер файла в таблице базовых моделей. При наведении указателя на значение отображается точный размер в байтах.

Контрольная сумма файла

Если файл на месте, но есть сомнение, что он скачан полностью, посчитайте его MD5 на сервере. Подставьте путь из вывода команды выше:

docker exec server_api md5sum /app/Primo.AI/Api_Models/7316ea9c-eb37-40fd-ba09-551d5568c60e

Сравните результат с MD5 того же файла в комплекте поставки. Для моделей из поставки он лежит в Nexus рядом с моделью: https://nexus.primo-rpa.ru/repository/raw/data/ai-server/models/<имя файла>.md5. Подсчёт MD5 модели размером в несколько гигабайт занимает до минуты.

Если файла нет или контрольная сумма не совпадает, скачайте файл заново по статье Установка Центра управления AI Server, раздел «Размещение файлов».

3. Проверка запуска сервисов

1. Перейдите в раздел Машины.
2. LLM:
   • Если в рамках обновления были добавлены новые модели, откройте Выбор базовой модели и убедитесь, что ни одна из них не имеет маркера «Не найдена».
   • Запустите одну из моделей (например, base-LLM-06-7b-gguf-q8) и дождитесь её успешного запуска.
3. Запустите остальные сервисы: Исполнитель агентских систем, RAG и другие, используемые в вашей конфигурации.

4. Проверка ViT

1. Перейдите в проект Неструктурированный документ.
2. Нажмите Использовать напротив нужной модели.
3. Перенесите все поля слева направо с помощью >>.
4. Нажмите Использовать для создания конфигурации.
5. Нажмите Использовать для запуска процесса.
6. Перейдите на вкладку Тестирование.
7. Отправьте изображение, содержащее текст.
8. Убедитесь, что текст на изображении распознается.
   • Если используется LLM на GPU, время распознавания должно быть адекватным (несколько секунд, но не минуты).

5. Проверка NLP

1. Создайте новый проект типа Задачи NLP с именем NLP или откройте существующий.
2. На вкладке Модели выберите активную модель (с меткой Активна на Машина_1).
3. На вкладке Навыки добавьте не менее 5 навыков (если они ещё не добавлены).
4. На вкладке Использование выберите активную машину.
5. Перейдите на вкладку Тестирование, выберите режим Генерация.
6. Введите сообщение, например: Привет.
7. Убедитесь, что модель отвечает корректно (ожидаемый ответ – что-то вроде: Привет. Чем я могу помочь сегодня?).

6. Проверка Агентских систем

1. Создайте новый проект типа Агентская система с именем Agent или откройте существующий.
2. Создайте конвейер, используя пресет Чат.
3. Выберите активную машину для тестирования.
4. Перейдите в Конструктор.
5. Выберите целевую машину:
   • Компонент LLM
   • Поле Target machine
   • Кнопка Refresh list
6. Нажмите Тестирование.
7. Отправьте сообщение, например: Привет.
8. Убедитесь, что модель отвечает корректно (ожидаемый ответ – что-то вроде: Привет. Чем я могу помочь сегодня?).