AI小白使用Macbook Pro安装LLama3与Langchain初体验，大模型入门到精通，收藏这篇就足够了！

1. 背景

AI爆火了2年有余，但我仍是一个AI小白，最近零星在学，随手记录点内容供自己复习。

上次在Macbook Pro上安装了Stable Diffusion，体验了本地所心所欲地生成各种心仪的图片，完全没有任何限制的惬意。今天想使用Macbook Pro安装一个本地大语言模型体验一下，刚好在2024年4月18日，Meta在官网上宣布公布了旗下最新大模型Llama 3，并开放了80亿（8b）和700亿（70b）两个小参数版本，据说能力显著提升。遂开干。

• 为什么部署本地大模型

• • 学习方便，私有材料不用发给外网，可以为公司私有化部署积累经验。
  • 省钱，不需要单独买云主机，电脑放家里闲着也是闲着。

• 为什么选择llama3

• • 最新款。科技这东西，用新不用旧。
  • Meta出品，大厂品质有保证。

• 这是本次用到的技术框架

2. 环境

硬件：

型号：macbook pro 14寸

CPU：M2 MAX （12+38）

内存：96G

硬盘：8T

操作系统：maxOS 14.3.1

软件：

python 3.11

conda 24.3.0

llama3 8B 和 70B

3. 安装llama3

登录官网：github.com/ollama/olla…

下载安装包：ollama.com/download/Ol…

解压后运行：Ollama，初始化环境。

先体验8B模型，在命令行窗口运行(第一次运行会下载并安装模型)：

arduino
复制代码
ollama run llama3

安装完成后，输出提示“end a message (/? for help)，可以随便输入信息。

对中文支持还不错。

4. 使用langchain完成简单的RAG

上面对广州的介绍输出非常简单，如果想使用自己语料库来完成，比如公司内部有自己的知识库，需要结合公司的知识库来回答问题，那就可以试试langchain。

简单地说，langchain 是一个帮助在应用程序中使用大型语言模型（LLM）的编程框架，可极大简化对LLM的调用。

详细介绍可参考官方文档：python.langchain.com/docs/get_st…。

快速开始：python.langchain.com/docs/get_st…。

安装：

r
复制代码
conda install langchain -c conda-forge

报错：“Verifying transaction: / WARNING conda.core.path_actions:verify(1055): Unable to create environments file. Path not writable.”

说明没有写权限，把对应文件owner修改为当前登录用户：

bash
复制代码
sudo chown -R $USER ~/.conda

为了方便，使用PyCharm来写测试文件。

上面使用conda安装langchain的环境，所以新建项目的环境选择“Select existing”，再选择conda。

写一个python文件测试：

ini
复制代码
from langchain_community.llms import Ollama

llm = Ollama(model="llama3")
response = llm.invoke("使用中文介绍一下广州")
print(response)

报错，提示要安装llama2，根据提示修改文件“/opt/homebrew/anaconda3/lib/python3.11/site-packages/langchain_community/embeddings/ollama.py”，使用llama3替换：

ini
复制代码
#model: str = "llama2"
model: str = "llama3"

再次报错，提示要安装faiss，使用命令行安装：

复制代码
pip install faiss-cpu

终于跑成功，输出如下：

换成百度百科的语料，python文件如下：

ini
复制代码
from langchain_community.llms import Ollama
from langchain_core.prompts import ChatPromptTemplate
from langchain_community.embeddings import OllamaEmbeddings
from langchain_community.document_loaders import WebBaseLoader
from langchain_community.vectorstores import FAISS
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain.chains import create_retrieval_chain

#加载文件
loader = WebBaseLoader("https://baike.baidu.com/item/%E5%B9%BF%E5%B7%9E%E5%B8%82/21808?fromtitle=%E5%B9%BF%E5%B7%9E&fromid=72101&fr=aladdin")
page_context = loader.load()
#分词
text_splitter = RecursiveCharacterTextSplitter()
split_documents = text_splitter.split_documents(page_context)

embeddings = OllamaEmbeddings()

#保存到向量库
vector = FAISS.from_documents(split_documents, embeddings)
retriever = vector.as_retriever()

#提示词模板
prompt = ChatPromptTemplate.from_template("""Answer question based on the provided context:
<context>{context}</context>
Question: {input}""")

#加载模型
llm = Ollama(model="llama3")
document_chain = create_stuff_documents_chain(llm, prompt)

retrieval_chain = create_retrieval_chain(retriever, document_chain)
response = retrieval_chain.invoke({"input": "使用中文介绍广州"})
print(response["answer"])

输出如下，可以看出输出的内容部分使用了百度百科最新的数据：

如果把提示词修改一下：“Answer question only based on the provided context”，就是里面加上限定词“only”，输出就只有百度百科的内容，如下：

5. 测试llama3 70b

如果内存足够大，可以选择安装70b模型。70b与8b的区别我现在只知道参数一个多一个少，对硬件要求不同，具体能力区别，还得后面去学习验证。

安装：

arduino
复制代码
ollama run llama3:70b

70b模型安装文件达到了39G多，而8b模型文件是4.7G。

安装完成后，使用命令行测试，输出：

70b模型通过langchain无专属语料输出：

通过对比，在不使用专属语料库的情况下，70b模型比8b模型输出内容更为丰富。

70b模型通过langchain使用专属语料输出：

通过对比，使用专属语料库的情况下，70b模型和8b模型输出内容看不出明显差异。

6. 机器消耗

跑问题时，CPU基本空转，内存跑到64G，GPU打满，风扇呼呼响。

不跑问题时，内存在27G，GPU和CPU负载都很低，风扇不转。

7. 小结

Macbook pro 跑大模型在网上经常被人笑话，不过自己安装玩一玩，学一学，还是不错的，反正我自己用得挺好的。有空的时候再去云平台搞台N卡的机器试试，看到有些云主机平台还有免费试用3个月的带显卡的AI专用虚机供申请，过几天去薅羊毛看看效果。

这也是我第一次写python，果然比java方便。

最后，支付公司都有各种各样的技术文档，可以私有化部署LLM，再结合RAG，私有文档库，做成专有的专家知识库，不仅可以用于外部客户答疑，内部同学值班处理线上问题也是非常方便的。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：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】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！