Llama 2 + GPT4All + Chroma实现100%本地化RAG

今天为大家带来的分享是如何实现100%本地化的大模型应用。我们利用LangChain的模板来创建一个RAG应用，在它的架构中，生成模型采用Llama2，Embedding模型采用GPT4All所提供的组件，向量存储则是Chromadb。

为什么做这期分享呢？ 原因在于，在AI应用的开发中，开发者广泛使用OpenAI等大模型供应商的服务。而随着开发的深入，越来越多的用户发现，在这些模型的使用中，个人数据会交给外部模型处理， 这带来了巨大的隐私泄露的风险。随之而来的，是对纯本地化解决方案的探索。

今天我们就利用LangChain模版来快速构建一个纯本地化的RAG应用。这是一款完全不需要网络就能执行的应用。那我们现在就开始吧。

分享共分为三个部分。

1 - 什么是LangChain模版？

LangChain Templates（模版） 提供了一系列易于部署的AI应用架构，任何人都可以使用，可以开发并贡献，以帮助开发人员更快地投入生产。这是创建、共享、维护、下载和自定义链和代理的新方式。它们都采用标准格式，可以轻松地通过 LangServe 部署，使开发者能够轻松获得产品级的 API产品，同时也提供Playground供测试和体验。

2 - 什么是Ollama？

Ollama是允许开发者在本地运行开源大模型（比如Llama 2）的开源工具。Ollama将模型权重、配置和数据捆绑成一个单一的包，由一个模型文件（Modelfile）定义。它优化了设置和配置细节，包括GPU的使用。

Ollama的官方代码仓库：https://github.com/jmorganca/ollama

3 - 利用模版rag-chroma-private创建RAG应用

我们现在开始创建应用。

首先安装LangChain CLI。这是使用LangChain模版的重要工具。

$ pip install -U langchain-cli

现在就可以在命令行中使用 langchain 命令。

利用该CLI创建LangChain应用 private-llm 。命令如下：

01coder@localhost langchain-templates % langchain app new private-llm``What package would you like to add? (leave blank to skip):` `01coder@localhost langchain-templates % cd private-llm` `01coder@localhost private-llm % ls``Dockerfile      README.md       app             packages        pyproject.toml

接下来为应用添加模版 rag-chroma-private。此模板实现RAG，并不依赖外部API。它利用了Ollama提供的Llama 2模型，GPT4All用于Embedding，以及Chroma用于向量存储。

01coder@localhost private-llm % langchain app add rag-chroma-private```Would you like to `pip install -e` the template(s)? [y/n]: y```Adding https://github.com/langchain-ai/langchain.git@master...` `- Downloaded templates/rag-chroma-private to rag-chroma-private``......``Successfully installed asgiref-3.7.2 bcrypt-4.1.1 ...``   ``To use this template, add the following to your app:``   `` ```````from rag_chroma_private import chain as rag_chroma_private_chain``   ``add_routes(app, rag_chroma_private_chain, path="/rag-chroma-private")`` ```

现在将上述命令执行的输出最后给出的代码加入app/server.py。

from rag_chroma_private import chain as rag_chroma_private_chain``   ``add_routes(app, rag_chroma_private_chain, path="/rag-chroma-private")``   

这条route正是该langchain应用在该模版的支持下提供的接口。

在运行该应用前，还需要安装Ollama，以支持本地运行开源大模型，比如Llama 2 7B。

按 https://github.com/jmorganca/ollama 提供的安装指令完成安装，我们应该在命令行可以使用工具 ollama 。通过如下命令拉取期望使用的模型。模版 rag-chroma-private 使用的是模型 llama2:7b-chat，我们通过如下命令拉取：

$ ollama pull llama2:7b-chat

启动 ollama 服务

$ ollama serve

现在可以通过以下命令，启动应用 private-llm。

$ langchain serve

正常启动后，我们期望看到如下输出：

我们来试试Playground。浏览器中访问：

http://127.0.0.1:8000/rag-chroma-private/playground/

该RAG应用的知识库是什么呢？我们看看模版源码就清楚了。

https://github.com/langchain-ai/langchain/blob/master/templates/rag-chroma-private/rag_chroma_private/chain.py

模版的核心代码chain.py中，定义了加载的数据。

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

正是这一篇博文 LLM Powered Autonomous Agents：

https://lilianweng.github.io/posts/2023-06-23-agent/

大家可以基于这篇文章的内容来问答。

---

好了，今天就分享到这里。虽然是个非常简单的RAG应用，但是也期望能以此给到大家一些启发，如何利用优秀的开源项目，帮助开发者快速构建100%本地化的AI应用，为用户提供优秀的产品体验时，确保用户数据的隐私性。

---

程序员为什么要学大模型？

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。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，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🆓↓↓↓

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

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。

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)

三、LLM大模型系列视频教程

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

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

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 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🆓↓↓↓

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​