基于 langchaingo 对接大模型 ollama 实现本地知识库问答系统

关注

原创最新推荐文章于 2026-09-21 18:37:41 发布 964 阅读 AI 写同款· GEO 优化 ›

LangChain Go实战：如何用Go语言快速构建LLM驱动的智能应用本文介绍了如何使用Go语言通过LangChain快速构建LLM驱动的智能应用。通过langchaingo库，Go开发者可以轻松调用大语言模型（LLMs）能力，无需切换技术栈。文章详细展示了从环境配置到实战开发的全过程，包括问答系统、结构化输出处理和高并发优化等核心功能，帮助开发者高效实现AI应用。阅读详情

Ollama[1] 是一个基于 Go 语言开发的简单易用的本地大语言模型运行框架。在管理模型的同时，它还基于 Go 语言中的 Web 框架 gin[2]提供了一些 Api 接口，让你能够像跟 OpenAI 提供的接口那样进行交互。

Ollama 官方还提供了跟 docker hub 一样的模型 hub，用于存放各种大语言模型，开发者也可以上传自己训练好的模型供其他人使用。

5771120e578b49ee3a58229e720c77d89fea173a8267d48cb98dd08db66a3cc5&scene=21#wechat_redirect)中已经介绍过了，今天就基于 langchaingo 来对接一下 ollama 的大模型实现简单的本地的知识问答系统。

安装 ollama

可以在 ollama 的 github release [3] 页面直接下载对应平台的二进制包进行安装，也可以 docker 一键部署。这里演示的机器是 macOS M1 PRO 版本，直接下载安装包，安装即可，安装之后，运行软件。

运行之后，项目默认监听 11434 端口，在终端执行如下命令可验证是否正常运行：

$ curl localhost:11434
Ollama is running

大模型管理

ollama 安装后，就可以对大模型进项安装使用了。Ollama 还会携带一个命令行工具，通过它可以与模型进行交互。

ollama list：显示模型列表。
ollama show：显示模型的信息
ollama pull：拉取模型
ollama push：推送模型
ollama cp：拷贝一个模型
ollama rm：删除一个模型
ollama run：运行一个模型

在官方提供的模型仓库中可以找到你想要的模型：https://ollama.com/library

注意：应该至少有 8 GB 可用 RAM 来运行 7 B 型号，16 GB 来运行 13 B 型号，32 GB 来运行 33 B 型号。

比如我们可以选择 Qwen[4] 做个演示，这里用 1.8B 的模型(本地电脑比较可怜，只有 16G😭)：

$ ollama run qwen:1.8b

是不是觉得这个命令似曾相识，是的，跟 docker run image 一样，如果本地没有该模型，则会先下载模型再运行。

既然跟 docker 如此一致，那么是不是也会有跟 Dockerfile 一样的东西，是的，叫做 Modelfile :

FROM qwen:14b

# set the temperature to 1 [higher is more creative, lower is more coherent]
PARAMETER temperature 1

# set the system message
SYSTEM """
You are Mario from super mario bros, acting as an assistant.
"""

保存上面的代码为 Modelfile，运行 llama create choose-a-model-name -f Modelfile 就可以定制你的模型，ollama run choose-a-model-name 就可以使用刚刚定制的模型。

对接 ollama 实现本地知识库问答系统

前置准备

模型都在本地安装好了，我们可以对接这个模型，开发一些好玩的上层 AI 应用。下面我们基于 langchaningo 开发一个问答系统。

下面的系统会用到的模型有 ollama qwen1.8B，nomic-embed-text，先来安装这两个模型：

 ollama run qwen:1.8b
 ollama run nomic-embed-text:latest

我们还需要一个向量数据库来存储拆分后的知识库内容，这里我们使用 qdrant :

docker pull qdrant/qdrant$ docker run -itd --name qdrant -p 6333:6333 qdrant/qdrantdocker pull qdrant/qdrant
$ docker run -itd --name qdrant -p 6333:6333 qdrant/qdrant

在这里插入图片描述

启动 qdrant 后我们先创建一个 Collection 用于存储文档拆分块:

curl -X PUT http://localhost:6333/collections/langchaingo-ollama-rag \
  -H 'Content-Type: application/json' \
  --data-raw '{
    "vectors": {
      "size": 768,
      "distance": "Dot"
    }
  }'

知识库内容切分

这里提供一篇文章[5]供大模型学习，下面的代码将文章拆分成小的文档块：

func TextToChunks(dirFile string, chunkSize, chunkOverlap int) ([]schema.Document, error) {
 file, err := os.Open(dirFile)
 if err != nil {
  return nil, err
 }
 // create a doc loader
 docLoaded := documentloaders.NewText(file)
 // create a doc spliter
 split := textsplitter.NewRecursiveCharacter()
 // set doc chunk size
 split.ChunkSize = chunkSize
 // set chunk overlap size
 split.ChunkOverlap = chunkOverlap
 // load and split doc
 docs, err := docLoaded.LoadAndSplit(context.Background(), split)
 if err != nil {
  return nil, err
 }
 return docs, nil
}

文档存储到向量数据库

func storeDocs(docs []schema.Document, store *qdrant.Store) error {
 if len(docs) > 0 {
  _, err := store.AddDocuments(context.Background(), docs)
  if err != nil {
   return err
  }
 }
 return nil
}

读取用户输入并查询数据库

func useRetriaver(store *qdrant.Store, prompt string, topk int) ([]schema.Document, error) {
 // 设置选项向量
 optionsVector := []vectorstores.Option{
  vectorstores.WithScoreThreshold(0.80), // 设置分数阈值
 }

 // 创建检索器
 retriever := vectorstores.ToRetriever(store, topk, optionsVector...)
 // 搜索
 docRetrieved, err := retriever.GetRelevantDocuments(context.Background(), prompt)

 if err != nil {
  return nil, fmt.Errorf("检索文档失败: %v", err)
 }

 // 返回检索到的文档
 return docRetrieved, nil
}

创建并加载大模型

func getOllamaQwen() *ollama.LLM {
 // 创建一个新的ollama模型，模型名为"qwena:1.8b"
 llm, err := ollama.New(
  ollama.WithModel("qwen:1.8b"),
  ollama.WithServerURL(ollamaServer))
 if err != nil {
  logger.Fatal("创建ollama模型失败: %v", err)
 }
 return llm
}

大模型处理

将检索到的内容，交给大语言模型处理

// GetAnswer 获取答案
func GetAnswer(ctx context.Context, llm llms.Model, docRetrieved []schema.Document, prompt string) (string, error) {
 // 创建一个新的聊天消息历史记录
 history := memory.NewChatMessageHistory()
 // 将检索到的文档添加到历史记录中
 for _, doc := range docRetrieved {
  history.AddAIMessage(ctx, doc.PageContent)
 }
 // 使用历史记录创建一个新的对话缓冲区
 conversation := memory.NewConversationBuffer(memory.WithChatHistory(history))

 executor := agents.NewExecutor(
  agents.NewConversationalAgent(llm, nil),
  nil,
  agents.WithMemory(conversation),
 )
 // 设置链调用选项
 options := []chains.ChainCallOption{
  chains.WithTemperature(0.8),
 }
 res, err := chains.Run(ctx, executor, prompt, options...)
 if err != nil {
  return "", err
 }

 return res, nil
}