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

最新推荐文章于 2025-09-16 12:01:25 发布
原创 最新推荐文章于 2025-09-16 12:01:25 发布 · 1.1k 阅读 · 19 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#llama #人工智能 #程序员 #langchain #Llama3 #RAG #本地化部署

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。

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

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）👈

​

Llama-Turbo
关注
使用本地 Llama 2 模型和向量数据库建立私有检索增强生成 (RAG) 系统 LangChain
iCloudEnd的博客
10-08 1504
在人工智能领域，获取最新且准确的数据至关重要。检索增强生成（RAG）模型证明了这一点，它作为人工智能生态系统中的既定工具，利用大型语言模型与外部数据库的协同作用，提供更精确和最新的答案。借助 RAG，您不仅能获得黑匣子答案，还能获得黑匣子答案。您将收到基于直接从最新数据源提取的实时信息的见解。然而，当 RAG 拥有可靠且高效的数据源时，它的力量才能真正发挥出来。这就是非结构化的闪光点。想象一下，有一个以各种格式和位置分布的数据宝库，利用它的任务感觉非常艰巨。
【AI】本地部署可以与文件沟通的GPT：Llama 2 + GPT4All + Chroma
每日出拳老爷子的博客
04-16 1314
还是继续致力于实践可以保护数据隐私的本地化LLM部署。 这次用的是Llama 2 + GPT4All + Chroma实现RAG。与文档交互。做企业内部的知识库应用。
LLM之RAG实战（十六）| 使用Llama-2、PgVector和LlamaIndex构建LLM Rag Pipeline
wshzd的博客
01-16 2496
它是为处理高维矢量数据而定制的，就像Llama-2等语言模型生成的数据一样。在这个片段中，我们从llama-2包中导入LlamaModel，并使用特定的模型变体（例如“llama2-large”）对其进行初始化，该模型将用于文本生成和矢量化。Hugging Face的transformer库是使用Llama-2等模型的基石，它为自然语言处理任务提供了对预先训练的模型和实用程序的轻松访问。RAG Pipeline的核心是一个函数，它接受用户查询，从数据库中检索相关上下文，并基于查询和检索到的上下文生成响应。
RAG实操教程，LangChain + Llama2 | 创造你的个人LLM
2401_85324918的博客
06-12 1133
本文将逐步指导您创建自己的RAG（检索增强生成）系统，使您能够上传自己的PDF文件并向LLM询问有关PDF的信息。本教程侧重于图中蓝色部分，即暂时不涉及Gradio（想了解已接入Gradio的，请参考官网）。Llama2ChromaDB核心在于Langchain，它是用于开发由语言模型支持的应用程序的框架。LangChain就像胶水一样，有各种接口可以连接LLM模型与其他工具和数据源，不过现在LangChain正在蓬勃发展中，许多文件或API改版很多。以下我使用最简单的方式示范。
Llama 2 + GPT4All + Chroma实现100%本地化RAG，大模型入门到精通，收藏这篇就足够了！
最新发布
pythonhy的博客
09-16 478
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。
最新ChatGPT GPT-4 相似匹配Embedding技术详解（附ipynb与python源码及视频讲解）——开源DataWhale发布入门ChatGPT技术新手从0到1必备使用指南手册（一）
小胡说人工智能的博客
05-08 8362
如果您想提高文本处理的效率和精度，那么Embedding技术就是您必须掌握的最重要利器。在本文中，不仅将详细介绍Embedding的基本概念，还将通过实际代码演示如何使用相关API，其中包括LMAS Embedding API和ChatGPT API等。同时还深入剖析Embedding在QA应用、聚类应用和推荐应用方面的具体应用场景。
GPT4ALL私有化部署 03 | 模型列表
weixin_43493559的博客
07-26 2158
可以解决网络问题下载不了模型的问题。
langchain +ollama +chroma+embedding模型实现RAG入门级Demo(python版)
YXWik的博客
04-21 1085
RAGNaive RAG(朴素RAG)、(高级RAG)和(模块化RAG)RAG在成本效益上超过了原生LLM，但也表现出了几个局限性，这也更大家一个印象:入门容易，做好难。和的发展是为了解决Naive RAG中的缺陷。Naive RAG遵循一个传统的流程，包括索引、检索和生成，它也被称为“检索-阅读”框架，将查询(query)与文档的检索结合起来，通过大语言模型 (LLM) 生成答案。将数据先通过嵌入（embedding）算法转变为向量数据，然后存储在Chroma这种向量数据库。
Llama3应用与RAG的实现
qq_52053775的博客
06-25 1623
在线安装地址https://ollama.com/download选择服务器系统，按照步骤完成安装。下载地址 https://github.com/ollama/ollama/releases/总共需要修改两个点，第一：Ollama下载地址；链接：https://pan.baidu.com/s/1BQL5y2OBf2wQc18Jg75JKg?下载地址 https://github.com/ollama/ollama/releases/（3）离线下载Linux环境的Ollama安装脚本，并保存到。
高效实现RAG模型：使用Chroma和GPT4All不依赖外部API
mmlihaio的博客
10-28 388
本文介绍了一种使用Chroma和GPT4All构建私有RAG模型的方法，避免了对外部API的依赖。
基于gpt4all的企业内部知识问答服务应用搭建
郑泽洲的博客
08-08 1474
本文介绍了一个旨在解决互联网企业内部流程问题的项目。作者以Shopee公司的DoD值班流程为例，指出由于分工复杂和语言障碍，值班转发支持请求存在延迟和误解，导致时间和金钱损失。为此，作者计划利用人工智能技术，通过跨语言、模糊语义理解和推理能力，自动解答问题，减少培训成本和失误。文章涵盖了项目缘起、技术选型、模型调优等内容，并强调系统必须在企业内部部署以确保信息安全。最后，展示了项目代码、效果示例和公司内部API文档。通过此项目，作者试图提升企业流程效率并降低成本。
藏在笔记本里的大语言模型 - GPT4All
Gefangenes的博客
05-11 1499
GPT4All支持多种不同大小和类型的模型，用户可以按需选择。序号模型许可介绍1商业许可基于GPT-J，在全新GPT4All数据集上训练2非商业许可基于Llama 13b，在全新GPT4All数据集上训练3商业许可基于GPT-J，在v2 GPT4All数据集上训练。4商业许可基于GPT-J，在v1 GPT4All数据集上训练5商业许可基于GPT-J，在v0 GPT4All数据集上训练6非商业许可。
如何使用 GPT4All 和 Langchain 来处理您的文档
iCloudEnd的博客
08-01 815
很高兴分享我关于利用 GPT4All 和 Langchain 的力量来增强基于文档的对话的最新文章！在这篇文章中，我将引导您完成设置环境的步骤，并演示如何使用高级语言模型与您自己的文档无缝聊天。准备好释放新的可能性并简化您的文档交互。让我们深入了解一下吧！
从 GPT4All 体验 LLM
ygtu2018的博客
08-08 823
大型语言模型最近变得流行起来。ChatGPT很时髦。尝试 ChatGPT 以了解 LLM 的内容很容易，但有时，您可能需要一个可以在您的计算机上运行的离线替代方案。在这篇文章中，您将了解 GPT4All 作为可以安装在计算机上的 LLM。
使用GPT4All和LangChain进行本地文本嵌入：入门指南
qq_29929123的博客
09-01 1342
GPT4All是一个开源项目，旨在提供本地运行的AI模型。免费使用本地运行，无需互联网连接注重隐私保护支持多种流行模型，如GPT4All Falcon、Wizard等提供Python绑定，易于集成GPT4All结合LangChain为本地文本嵌入提供了一个强大而灵活的解决方案。它不仅保护了数据隐私，还提供了高质量的嵌入结果。通过本文介绍的方法，您可以轻松地在自己的项目中实现文本嵌入，为后续的NLP任务如文本分类、相似度计算等奠定基础。
打造你的私人RAG解决方案：利用Ollama、GPT4All和Chroma
ahdfwcevnhrtds的博客
11-15 948
通过本文的介绍，您了解了如何使用Ollama、GPT4All和Chroma构建一个私有的RAG解决方案。
crewAI中通过Ollama调用本地模型的两种方式
07-10 3016
crewAI中默认使用的gpt4的模型， 在环境中配置即可使用。但openai的api毕竟是要花钱的， 况且现在对大陆地区做了封禁， 使用起来不是那么方便。而Ollama可以方面的运行本地的大模型， 既不用花钱， 又可以在本地进行使用。crewAI中也支持Ollama使用本地模型。
LangChain高级玩法：用C++扩展实现大模型本地推理加速
威哥说编程
02-04 1275
LangChain 是一个用于开发语言模型驱动的应用程序的开源框架，能够集成不同的语言模型、处理数据流和交互、执行任务链式操作等。连接模型与数据源：支持多种数据源（如数据库、文件系统、API 等）的集成。任务链（Chain）：能够将多个模型、工具、任务串联起来，实现复杂的业务逻辑。工具和 Agent：允许用户构建自定义工具和智能代理，以处理特定任务。然而，LangChain 默认使用 Python 来与模型交互，这对于推理密集型的任务可能存在性能瓶颈。
基于LangChain和Llama3的Chroma RAG演示项目
本项目标题为“langchain+llama3+Chroma RAG demo-rag”，结合其描述与标签信息，可以明确这是一个基于LangChain框架、Llama3大语言模型和Chroma向量数据库构建的RAG（Retrieval-Augmented Generation，检索增强生成...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值