🦖 YapperSaurus博物馆-生成人工智能和互动恐龙展览
该项目实施了一个交互式生成博物馆，该博物馆使用人工智能来发现、可视化虚构的恐龙物种并与之互动。
它集成了用于名称生成的递归神经网络（RNN）、用于生物描述的大型语言模型（LLM）和用于实时可视化的潜在扩散模型。该系统使用分布式架构，通过ngrok将FastAPI后端（EC2/Local）与Google Colab GPU实例连接起来，以处理繁重的图像生成任务。
______________________________________________________________________
🤖 人工智能和生成代理简介
这个项目中的人工智能（AI）不仅仅是数据检索，而是创造。我们将博物馆建模为“活特工”的集合：
- 代理人： 每只恐龙都是一个具有独特名称、历史和个性的实体。
- 生成能力： 该系统根据生物命名模式“梦想”出从未存在过的新物种。
- 人物角色： 通过即时工程，智能体与用户互动，根据他们的体型和饮食采用特定的个性特征。
在这个项目中，YapperSaurus建筑分为三个不同的认知阶段：
- 创造力（RNN）→ 自定义的Keras模型预测字符序列，以发明合理的科学名称（例如“Ligantosaurus”）。
- 推理（法学硕士）→ LLM（Gemma/Ollama）根据名称构建生物特征和物理描述。
- 可视化（扩散）→ 远程GPU节点解释文本描述以渲染样本的照片级真实感图像。
______________________________________________________________________
🚀 特性
- 🧬 生成性“发现”： 在飞行中创造新物种。它生成一个唯一的名称、一个科学描述和一个物理图像。
- 🧠 RNN名称引擎： 使用经过训练的GRU（门控循环单元）模型生成连贯的拉丁发音名称。
- 💬 互动聊天： 用户可以与任何恐龙对话。人工智能根据生成的生物信息创建了一种独特的声音/方言（例如傲慢、原始）。
- 🖼️ 分布式图像生成： 通过ngrok连接到Google Colab实例，以利用GPU资源进行图像合成。
- 📜 动态图库： 当新的样本被发现并添加到JSON数据集中时，前端会实时更新。
- 📊 模型分析： 内置模式显示训练报告，包括损失曲线、架构细节和采样指标。
- 🌐 视差用户界面： 一个具有鼠标移动深度效果的沉浸式网络界面，营造出博物馆般的氛围。
______________________________________________________________________
💻 代码工作流
main.py（FastAPI编排器）
- API网关： 管理/api/generar nombre和/api/chat与dino的端点。
- RNN推断： 加载.h5模型以使用温度采样生成原始名称字符串。
- LangChain集成： 连接到Ollama（Gemma 3:4b）以生成“样本卡”（描述、周期、饮食）。
- 远程触发器： 从文本中提取物理属性并将其发送到Colab实例以生成图像。
- 上下文注入： 对于聊天，它将特定恐龙的描述注入到提示中，这样LLM就保持了原有的特性。
script.js（前端逻辑）
- 动态渲染： 获取dino_descriptions.json以构建库DOM元素。
- 聊天界面： 管理聊天覆盖，将用户的问题和当前dino的上下文发送到后端。
- 视差效应： 计算鼠标位置以移动背景层以获得视觉深度。
- 报告可视化： 解析训练日志（architecture.txt，history_saved.json）以在浏览器中呈现图表和表格。
______________________________________________________________________
🧩 运作原理
生成阶段：
- 用户点击“生成新样本”。
- RNN模型生成一个名称（例如“Waranatitan”）。
- LLM（Gemma）使用RAG原则起草了一份完整的生物学描述，以确保与名称的词源一致。
- 系统解析“物理描述”并将其发送到Colab节点。
- Colab节点生成图像并返回字节流。
- 新恐龙被保存到后端JSON并立即显示。
互动阶段（聊天）：
- 用户从墙上选择一只恐龙。
- 系统将“记忆”（描述、饮食、时代）加载到LangChain ChatPromptTemplate中。
- 快速工程：人工智能被指示用“恐龙方言”（短句，指饥饿/大小）说话。
- 用户问：“你吃什么？”→ 迪诺回答说：“我碾碎骨头。植物是给弱者的。”
______________________________________________________________________
🧠 算法概要
角色级别RNN（GRU）
- 架构： 仅使用GRU单元的解码器循环神经网络。
- 输入： 种子特征或 令牌。
- 取样： 使用温度来控制随机性，使用Top-K来确保命名的多样性。
- 目标： 预测序列中的下一个字符，以形成有效的恐龙名称。
RAG和Persona注射
- 背景： 生成的描述充当该特定代理的“知识库”。
- 检索： 当用户聊天时，会检索到该恐龙的特定JSON条目。
- 世代： LLM结合了用户查询+恐龙的生物+角色指令来生成角色扮演响应。
文本到图像管道
- 型号： 在T4 GPU上运行的轻量级扩散模型（例如Amused-512）。
- 提示： 后端提取关键视觉特征（颜色、皮肤类型、大小）以构建稳定的扩散提示。
______________________________________________________________________
🔧 硬件和堆栈要求
- 服务器： Python 3.10+（FastAPI，Uvicorn）。
- LLM主持人： 本地Ollama或AWS EC2（实例：m5.xlarge）。
- 图像计算： 谷歌Colab（T4 GPU）或本地CUDA机器。
- 隧道工程： Ngrok（向互联网公开本地/Colab API）。
- 图书馆： TensorFlow/Keras、LangChain、请求。
______________________________________________________________________
🧠 快速工程（Persona）
聊天互动依赖于严格的系统提示来保持沉浸感。该模型不是一个乐于助人的助手，而是被指示成为一只恐龙：
音调： 傲慢、领土、原始 . 限制： 短句，没有诗意的语言。
内存： 它严格遵守产生的生物（它知道它是草食动物还是食肉动物）。
交互示例：
用户：“你友好吗？”机器人（蜥蜴）：“友好吗？GRRR……我有8米的纯肌肉。我没有朋友，只有食物和竞争。”
______________________________________________________________________
📊 未来改进
- 🔄 矢量数据库： 从JSON迁移到ChromaDB，以便在数千个样本中进行语义搜索。
- 🕸️ 图形知识： 实现Neo4j来映射关系（例如，与“侏罗纪时期”相关的“食肉动物”）。
- 🔊 音频合成： 根据恐龙的大小产生咆哮声或TTS声音。
📸 截图
主菜单
详细信息面板和聊天
👨💻 作者
由Daniel Bernal开发