手把手系列｜使用Milvus、Llama 3、Ollama、LangChain本地设置RAG应用-优快云博客

本文链接：https://blog.youkuaiyun.com/Python_cocola/article/details/141401344

随着 Llama、Mistral、Gemma 等开源大语言模型（LLM）的出现，我们越来越能感受到 LLM 的力量，而本地运行基于 LLM 的 RAG 应用的需求越来越强烈。在将应用推至生产环境前，我们往往都需要先本地运行和测试。

因此，本文将介绍如何使用 Ollama、Llama 3 和 Milvus 向量数据库在本地部署一个检索增强生成（RAG）应用。

本文将使用到的软件和工具包括：

LangChain：用于创建代理，实现与数据的互动。
Ollama：在笔记本电脑中使用 LLM 的强大功能，简化本地操作。
Milvus：向量数据库用于高效存储和检索数据。
Llama 3：由 Meta 推出的大语言模型，Llama 系列的最新版本。

01.

问答与检索增强生成（RAG）

本文中，我们将使用 RAG 技术搭建一个高级的问答机器人。

02.

什么是 RAG？

RAG，即检索增强生成，是一种通过整合外部数据源来增强大语言模型（LLM）的技术。一个典型的 RAG 应用包括：

索引流水线（Pipeline）：用于从外部数据源中摄取数据并对其进行索引，随后加载、拆分并将数据存储在 Milvus 中。
检索和生成：将用户查询转换为 Embedding 向量，然后从 Milvus 中检索相关数据形成上下文，然后 LLM 上下文生成响应。

文本将提供实用的操作指导，向您展示如何使用本地 LLM 构建 RAG 应用。欢迎初学者跟随本指南开始构建自己的问答机器人！

03.

前提条件

开始前，请先确保您已安装：

Docker 和 Docker-Compose
Milvus standalone
Ollama

04.

设置 RAG 应用

现在开始设置 RAG 应用：

通过命令 docker-compose up -d 启动 Milvus standalone 实例。该命令将以 Docker 分离（detached）模式启动您的 Milvus 实例，在后台安静运行。
通过命令 ollama pull <模型名称> （例如 ollama pull llama3）获取 LLM 模型。点击此处查看可用模型列表。该命令将下载模型的默认版本（通常是最新且最小的版本）。
通过命令 ollama run <模型名称> 要直接与模型进行交互。

05.

安装依赖

您还需要安装所需的依赖库。如果您直接使用 Github 上的代码，可以使用 Poetry，或者您也可以使用 pip 进行安装。



`pip install langchain pymilvus ollama pypdf langchainhub langchain-community langchain-experimental`

06.

搭建并运行 RAG 应用

如前文所述，RAG 应用中的重要组成部分就是数据索引。

使用 PyPDFLoader 导入 PDF 数据。



`from langchain_community.document_loaders import PyPDFLoader``loader = PyPDFLoader(``"https://d18rn0p25nwr6d.cloudfront.net/CIK-0001813756/975b3e9b-268e-4798-a9e4-2a9a7c92dc10.pdf"``)``data = loader.load()`

切分数据

使用 RecursiveCharacterTextSplitter 将已加载数据切分为切片。



`from langchain.text_splitter import RecursiveCharacterTextSplitter``text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=0)``all_splits = text_splitter.split_documents(data)`

使用 Jina 的 Small English embeddings 将文本数据转换为 Embedding 向量并存储在 Milvus 中。



`from langchain_community.embeddings.jina import JinaEmbeddings``from langchain.vectorstores.milvus import Milvus``embeddings = JinaEmbeddings(jina_api_key=JINA_AI_API_KEY, model_name="jina-embeddings-v2-small-en"``)``vector_store = Milvus.from_documents(documents=all_splits, embedding=embeddings)`

4. 使用 Ollama 轻松在本地加载 LLM（本示例中使用 Meta 的 Llama 3）。



`from langchain_community.llms import Ollama``from langchain.callbacks.manager import CallbackManager``from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler``llm = Ollama(``model="llama3",``callback_manager=CallbackManager([StreamingStdOutCallbackHandler()]``),``stop=["<|eot_id|>"],``)`

5. 使用 Langchain 搭建问答机器人。构建问答链来处理和响应用户查询。



`from langchain import hub``from langchain.chains import RetrievalQA``query = input("\nQuery: ")``prompt = hub.pull("rlm/rag-prompt")`   `   ``qa_chain = RetrievalQA.from_chain_type(`    `llm, retriever=vectorstore.as_retriever(), chain_type_kwargs={"prompt": prompt}``)``result = qa_chain({"query": query})``print(result)`

‍

07.

运行 RAG 应用

通过命令 python rag_ollama.py 运行 RAG 应用。

以下为回答示例：



`Query: What is this document about?``The document appears to be a 104 Cover Page Interactive Data File for an SEC filing. It contains information about the company's financial statements and certifications.{'query': 'What is this document about?', 'result': "The document appears to be a 104 Cover Page Interactive Data File for an SEC filing. It contains information about the company's financial statements and certifications."}`

我们已成功使用 Ollama、Llama 3、Langchain 和 Milvus 搭建了一个复杂的问答机器人。我们搭建的不应用不仅可以高效处理大规模数据集，还能够在本地针对用户问题进行回答。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述