【大模型教程】基于 langchain+ollama 创建私有化知识库（附教程）

本文实现了基于langchain 的本地知识库的基本功能，可离线访问。主要使用了Langchain，ChromaDb Ollama。

概念介绍

什么是RAG

RAG 是retrieval-augmented-generation的缩写，直译中文的意思是 检索增强生成，可以简单理解能让训练好的大模型 LLM可以结合外部数据，可以补充或者修正大模型返回的答案，提高答案的准确性。

LLM 有哪些痛点

• 数据陈旧，一旦训练完成无法获取新知识。

• 只能获取公开的数据，很多企业内部数据由于数据安全的目的不会暴露在公网上，所以大模型不能获取相关数据

  RAG的出现正好能解决以上问题

开始实现

实现步骤

我们目前要做的是

• 准备文档并进行解析 ，langchain_community.document_loaders 预制了一些各种文档的加载器可以选用
• 把文档向量化并存入数据库
• 文档向量搜索
• 结合提示词和大模型问答

前期准备

Ollama

安装 ollama 官网上有，这里就多说了。这里使用到了两个模型，可以用ollama pull 拉下拉

• LLM 模型 qwen2.5:3b
• embedding 模型 nomic-embed-text

ChromaDb

它支持本地存储以及独立客户端，选择本地存储的化不需要安装客户端 参考 docs.trychroma.com/deployment

Hugging Face

用 huggingface-cli 下载 nomic-embed-text 作为 tokenizer 的模型

开始开发

数据准备和存储

文档读取

python
 代码解读

from langchain_community.document_loaders import TextLoader

loader = TextLoader(file_path=self.file_path, autodetect_encoding=True)
documents = loader.load()

文档拆分 这里使用的是本地模型。实现了两个方法，拆分字符串和拆分文档

python
 代码解读


from typing import Any, Iterable, List
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_core.documents import Document
from langchain.text_splitter import CharacterTextSplitter
from transformers import AutoTokenizer

huggging_model_path = "model_path"

class HuggingFaceTextSplitter(CharacterTextSplitter):
  
    def __init__(self,
                 separator: str = "\n\n",
                 is_separator_regex: bool = False,
                 **kwargs: Any) -> None:
        super().__init__(separator, is_separator_regex, **kwargs)
        
        self.tokenizer = AutoTokenizer.from_pretrained(huggging_model_path)
        self.text_splitter = RecursiveCharacterTextSplitter.from_huggingface_tokenizer(
            self.tokenizer, chunk_size=1000, chunk_overlap=100)

    def split_text(self, text: str) -> List[str]:
        return self.text_splitter.split_text(text) 

    def split_documents(self, documents: Iterable[Document]) -> List[Document]:
        return self.text_splitter.split_documents(documents)
        

huggging_model_path 这是一个本地模型的文件夹地址

文档向量化，存入数据库 这里向量化的过程，没有单独实现，用的是数据库的特性，插入数据时自动实现 我们先写一段简单的数据库service，做数据库的插入

python
 代码解读

from typing import List
import chromadb
from chromadb.api import ClientAPI
from chromadb.api.types import GetResult
from langchain.docstore.document import Document
from lib import ConfigService, get_Embeddings_func
from typing import Dict, List
import uuid

class ChromaService():

    data_path_base: str
    client: ClientAPI
    collection_name: str

    def __init__(self, collection_name: str) -> None:
    
        configService = ConfigService()
        self.data_path_base = configService.env_config.chromadb.get(
            "data_path_base")
        # 持久化存储
        self.client = chromadb.PersistentClient(path=self.data_path_base)
        self.embeddings_func = get_Embeddings_func()
        self.collection_name = collection_name
        self.collection = self.client.get_or_create_collection(
            collection_name, embedding_function=self.embeddings_func)

    def get_result_by_ids(self, ids: List[str]) -> GetResult:
    
        return self.collection.get(ids, include=["embeddings"])


    def add_doc(self, docs: List[Document], **kwargs) -> List[Dict]:

        doc_infos = []
        texts = [doc.page_content for doc in docs]
        metadatas = [doc.metadata for doc in docs]
        ids = [str(uuid.uuid1()) for _ in range(len(texts))]
        
        for _id, text, metadata in zip(ids, texts, metadatas):
            self.collection.add(
                ids=_id,
                metadatas=metadata,
                documents=text)
            doc_infos.append({"id": _id, "metadata": metadata})
        return doc_infos

这里数据库配置用了本地存储 PersistentClient，获取集合的时候指定了 embedding_function，这的用处是在数据插入的时候由数据库生成向量化数据，如果这个参数不传的化，就要手动插入向量数据。

python
 代码解读

from chromadb.utils.embedding_functions.ollama_embedding_function import OllamaEmbeddingFunction

def get_Embeddings_func():

    api_url="http://localhost:11434/api/embeddings"
    ollama_ef = OllamaEmbeddingFunction(
        url=api_url,
        model_name="nomic-embed-text",
    )
    return ollama_ef

数据至此已存入数据库

数据查询

在 ChromaService 里增加几个查询方法，首先是最简单的按照Id 查询

python
 代码解读

    def get_result_by_ids(self, ids: List[str]) -> GetResult:
    
        return self.collection.get(ids=ids)

其次是向量查询

python
 代码解读

    async def do_search_db(self, query) -> QueryResult::
    
        embed_query = await self.embeddings.aembed_query(query)
        result = self.collection.query(query_embeddings=embed_query)
        return result

这里的embeddings 来源于这里

python
 代码解读

from langchain_core.embeddings import Embeddings
from langchain_ollama import OllamaEmbeddings

def get_Embeddings() -> Embeddings:

    embeddings = OllamaEmbeddings(
        model="nomic-embed-text")
    return embeddings

和 LLM 结合

增加QaChain

在ChromaService 增加方法并且在 __init__ 里调用。

python
 代码解读
	from langchain_ollama import ChatOllama, OllamaEmbeddings
	from langchain_chroma import Chroma
	from langchain.chains.qa_with_sources.retrieval import RetrievalQAWithSourcesChain
	
    def _init_qa(self):

        vector_em = OllamaEmbeddings(model='nomic-embed-text')
        
        vectordb = Chroma(persist_directory=self.data_path_base,
                          collection_name=self.collection_name,
                          embedding_function=vector_em)

        ollamaLlm = ChatOllama(model="qwen2.5:3b",
                               custom_get_token_ids=get_token_encode)
        
        self.qa_retrieval = RetrievalQAWithSourcesChain.from_llm(
            llm=ollamaLlm,
            retriever=vectordb.as_retriever(search_type="similarity",
                                            search_kwargs={"k": 2}),
            return_source_documents=True)

这里有几点要说下

• llm 用的是 ChatOllama
• custom_get_token_ids 这个要自己实现，不然就会请求网上的gpt2模型做encode，断网就报错了

python
 代码解读

def get_token_encode(text: str) -> list[int]:
	huggging_model_path = "model_path"
    tokenizer = AutoTokenizer.from_pretrained(huggging_model_path)
    result = tokenizer.encode(text)
    return result

• retriever 是 Chroma ， 要注意下，这里的embedding_function 接收的参数是 OllamaEmbeddings 实例， 是从 langchain_ollama 这个包里导入， 和上面初始化collection 里的 embedding_function 不是同一个东西，虽然类型相似。

现在提问就很简单了 query 就是你问题，一个字符串

python
 代码解读

  result = self.qa_retrieval.invoke(query)

result 就是给你的答案

大模型算是目前当之无愧最火的一个方向了，算是新时代的风口！有小伙伴觉得，作为新领域、新方向人才需求必然相当大，与之相应的人才缺乏、人才竞争自然也会更少，那转行去做大模型是不是一个更好的选择呢？是不是更好就业呢？是不是就暂时能抵抗35岁中年危机呢？

答案当然是这样，大模型必然是新风口！

那如何学习大模型 ？

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。

但现在很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是，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100余次后，终于把整个AI大模型的学习路线完善出来！

在这个版本当中：

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，这份大模型路线+学习教程已经给大家整理并打包分享出来, 😝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大模型学习资源包》免费分享（安全咨料，放心领取）👈

​

一、大模型经典书籍（免费分享）

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套大模型报告（免费分享）

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、大模型系列视频教程（免费分享）

四、2025最新大模型学习路线（免费分享）

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取

👉优快云大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全资料，放心领取）👈

​