一、引言本文会手把手教你如何部署本地大模型以及搭建个人知识库使用到的工具和软件有OllamaOpen WebUIDockerAnythingLLM本文主要分享三点如何用Ollama在本地运行大模型使用现代Web UI和本地大模型聊天如何打造完全本地化的知识库Local RAG读完本文你会学习到如何使用最好用的软件Ollama部署本地大模型通过搭建本地的聊天软件了解ChatGPT的信息是如何流转的RAG的概念以及所用到的一些核心技术如何通过AnythingLLM这款软件搭建完全本地化的数据库二、ollama的安装以及大模型下载2.1 安装ollama官方下载地址ollama.com/download当安ollama之后我们可以通过访问如下链接来判断ollama是否安装成功arduino 复制代码 http://127.0.0.1:11434/2.2 使用ollama运行本地大模型当安装完成ollama之后我们就可以在命令行中运行如下命令既可以arduino 复制代码 ollama run [model name]其中[model name]就是你想运行的本地大模型的名称如果你不知道应该选择哪个模型可以通过model library进行查看。这里我们选择llama2大模型llama2考虑到我机器的配置以及不同版本的内存要求我这里选择7b参数的模型当我们运行大模型的时候ollama会自动帮我们下载大模型到我们本地。三、通过Open WebUI使用大模型在默认的情况下我们需要在终端中跟大模型进行交互但是这种方法太古老了。就跟我们基本不会使用终端命令跟Mysql打交道而是使用Navcat等客户端和Mysql进行交互。大模型也有其交互客户端这就是Open WebUI3.1 安装Open WebUIOpen WebUI是github上的一个开源项目这里我们参考其官方文档进行下载和安装。在安装之前我们需要先安装Docker安装说明如下如果是Win或者Mac系统参考文档Docker Desktop release notes注意要下载跟自己的电脑系统适配的版本例如目前的最新版本的Docker仅支持Mac OS12.0以后的系统如果Linux系统请自己上网找教程日常都可以使用Linux系统了安装Docker小Case在官方文档中我们会看到两种安装Open WebUI的方式ollama和open webui一起安装仅仅安装open webui由于我们已经安装了ollama因此我们只需要安装open webui即可复制如下命令kotlin 复制代码 docker run -d -p 3000:8080 --add-hosthost.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main当Open WebUI安装下载完成之后我们就可以愉快的玩耍啦3.2 使用Open WebUI首先访问如下网址bash 复制代码 http://localhost:3000/auth/当你打开这个页面的时候会让你登陆这个时候我们随便使用一个邮箱注册一个账号即可和本地大模型进行对话登陆成功之后如果你已经使用过ChatGPT等类似的大模型对话网站我相信你对这个页面并不陌生。Open WebUI一般有两种使用方式第一种是聊天对话第二种是RAG能力也就是可以让模型根据文档内容来回答问题。这种能力就是构建知识库的基础之一如果你的要求不高的话我们已经搭建了一个本地大模型了并且通过Web UI实现了和大模型进行对话的功能。相信通过这么一通折腾你就理解了ChatGPT的信息流至于为什么ChatGPT的访问速度比我们自己的要快而且回答效果要好就两个原因快是因为GPT大模型部署的服务器配置高好是因为GPT大模型的训练参数多数据更优以及训练算法更好如果你想要更加灵活的掌握你的知识库请接着往下看四、RAG是什么在进行本地知识库的搭建实操之前我们需要先对RAG有一个大概的了解。因为利用大模型的能力搭建知识库本身就是一个RAG技术的应用。以下内容会有些干我会尽量用通俗易懂的描述进行讲解。我们都知道大模型的训练数据是有截止日期的那当我们需要依靠不包含在大模型训练集中的数据时我们该怎么做呢实现这一点的主要方法就是通过检索增强生成RAGRetrieval Augmented Generation。在这个过程中首先检索外部数据然后在生成步骤中将这些数据传递给LLM。我们可以将一个RAG的应用抽象为下图的5个过程文档加载Document Loading从多种不同来源加载文档。LangChain提供了100多种不同的文档加载器包括PDF在内的非结构化的数据、SQL在内的结构化的数据以及Python、Java之类的代码等文本分割Splitting文本分割器把Documents切分为指定大小的块我把它们称为“文档块”或者“文档片”存储Storage存储涉及到两个环节分别是将切分好的文档块进行嵌入Embedding转换成向量的形式将Embedding后的向量数据存储到向量数据库检索Retrieval一旦数据进入向量数据库我们仍然需要将数据检索出来我们会通过某种检索算法找到与输入问题相似的嵌入片Output输出把问题以及检索出来的嵌入片一起提交给LLMLLM会通过问题和检索出来的提示一起来生成更加合理的答案4.1 文本加载器Document Loaders文本加载器就是将用户提供的文本加载到内存中便于进行后续的处理4.2 文本切割器Text Splitters文本分割器把Documents切分为指定大小的块我把它们称为“文档块”或者“文档片”文本切割通常有以下几个原因为了更好的进行文本嵌入以及向量数据库的存储通常大语言模型都有上下文的限制如果不进行切割文本在传递给大模型的时候可能超出上下文限制导致大模型随机丢失信息文本切割器的概念是非常容易理解的这里我们简单了解下文本切割器的工作流程将文本切割成小的语义上有意义的块通常是句子开始将这些小块组成一个较大的块直到达到某个块的大小这个会通过某种函数测量一旦达到该大小就将该块作为自己的文本片段并开始创建一个新的文本块同时保留一些重叠以保持块之间的上下文。4.3 文本嵌入模型Text Embedding models文本嵌入模型是用来将文本转换成数值向量的工具这些向量能够捕捉文本的语义信息使得相似的文本在向量空间中彼此接近。这对于各种自然语言处理任务如文本相似性比较、聚类和检索等都是非常有用的。下面是一段对嵌入的解释词嵌入Word Embedding是自然语言处理和机器学习中的一个概念它将文字或词语转换为一系列数字通常是一个向量。简单地说词嵌入就是一个为每个词分配的数字列表。这些数字不是随机的而是捕获了这个词的含义和它在文本中的上下文。因此语义上相似或相关的词在这个数字空间中会比较接近。举个例子通过某种词嵌入技术我们可能会得到“国王” - [1.2, 0.5, 3.1, …]“皇帝” - [1.3, 0.6, 2.9, …]“苹果” - [0.9, -1.2, 0.3, …]从这些向量中我们可以看到“国王”和“皇帝”这两个词的向量在某种程度上是相似的而与“苹果”这个词相比它们的向量则相差很大因为这两个概念在语义上是不同的。词嵌入的优点是它提供了一种将文本数据转化为计算机可以理解和处理的形式同时保留了词语之间的语义关系。这在许多自然语言处理任务中都是非常有用的比如文本分类、机器翻译和情感分析等。4.4 向量数据库Vector Stores向量存储Vector stores是用于存储和检索文本嵌入向量的工具。这些向量是文本数据的数值表示它们使得计算机能够理解和处理自然语言。向量存储对于支持复杂的搜索和检索任务至关重要尤其是在处理大量文本数据时。向量存储的主要功能包括高效地存储大量的文本向量快速检索与给定向量最相似的文本向量支持复杂的查询操作如范围搜索和最近邻搜索4.5 文本检索一旦数据进入向量数据库我们仍然需要将数据检索出来我们会通过某种检索算法找到与输入问题相似的嵌入片。这里主要利用了大模型的能力五、本地知识库进阶如果想要对知识库进行更加灵活的掌控我们需要一个额外的软件AnythingLLM这个软件包含了所有Open WebUI的能力并且额外支持了以下能力选择文本嵌入模型选择向量数据库5.1 AnythingLLM安装和配置安装地址useanything.com/download当我们安装完成之后会进入到其配置页面这里面主要分为三步第一步选择大模型第二步选择文本嵌入模型第三步选择向量数据库5.2 构建本地知识库AnythingLLM中有一个Workspace的概念我们可以创建自己独有的Workspace跟其他的项目数据进行隔离。首先创建一个工作空间上传文档并且在工作空间中进行文本嵌入选择对话模式AnythingLLM提供了两种对话模式Chat模式大模型会根据自己的训练数据和我们上传的文档数据综合给出答案Query模式大模型仅仅会依靠文档中的数据给出答案测试对话当上述配置完成之后我们就可以跟大模型进行对话了六、总结虽然对于大多数人来讲由于我们的电脑配置等原因部署本地大模型并且达到很好的效果是很奢侈的一件事情。但是这并不妨碍我们对其中的流程和原理进行详细的了解如何系统的去学习大模型LLM 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↓↓↓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/chatgptLLM大模型学习路线↓阶段1AI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2AI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3AI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 MetaGPTL3.3 ChatGLML3.4 LLAMAL3.5 其他大模型介绍阶段4AI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领取方式我会放在下面希望领取了的朋友不要忘了下方名片放心添加