【LLM大模型】使用Ollama本地离线体验SimpleRAG（手把手教程）
Ollama介绍
Ollama是一个开源项目，专注于开发和部署大语言模型，特别是像LLaMA这样的模型，用于生成高质量的文本和进行复杂的自然语言处理任务。Ollama的目标是让大语言模型的运行和使用变得更加容易和普及，而无需复杂的基础设施或深度的机器学习知识。
GitHub地址：
RAG是什么？
检索生成增强（Retrieval-Augmented Generation，RAG）是一种结合了检索（Retrieval）和生成（Generation）两种技术的自然语言处理方法，主要用于改进文本生成任务的性能，如问答系统、对话系统、文本摘要和文档生成等。RAG模型通过在生成模型的基础上，引入一个检索模块，来增强生成模型的准确性和丰富性。
在传统的生成模型中，模型完全依赖于训练数据中学习到的模式和统计信息来生成文本，这可能导致生成的内容缺乏新颖性或准确性。而检索模块则可以从外部知识库或文档中检索相关的信息，将这些信息作为额外的输入，提供给生成模型，从而帮助生成更准确、更丰富和更具体的文本。
具体来说，RAG模型的工作流程如下：
- 检索阶段：模型首先根据输入的查询或上下文，从外部知识库中检索出与之最相关的文档或片段。
- 融合阶段：检索到的信息与输入的查询或上下文进行融合，形成增强的输入。
- 生成阶段：增强后的输入被送入生成模型，生成模型根据这些信息生成最终的文本输出。
通过这种方式，RAG模型能够在生成过程中利用到外部知识，提高了生成文本的准确性和丰富性，同时也增强了模型的可解释性，因为生成的文本可以追溯到具体的来源。RAG模型在处理需要大量领域知识或具体事实信息的任务时，表现出了显著的优势。
SimpleRAG介绍
A simple RAG demo based on WPF and Semantic Kernel.
SimpleRAG是基于WPF与Semantic Kernel实现的一个简单的RAG应用，可用于学习与理解如何使用Semantic Kernel构建一个简单的RAG应用。
GitHub地址：
主要功能
AI聊天
支持所有兼容OpenAI格式的大语言模型：
文本嵌入
支持所有兼容OpenAI格式的嵌入模型：
简单的RAG回答
简单的RAG回答效果：
对比不使用RAG的回答：
使用Ollama本地离线体验SimpleRAG
来到SimpleRAG的GitHub参考，注意到这里有个Releases：
点击SimpleRAG-v0.0.1，有两个压缩包，一个依赖net8.0-windows框架，一个独立：
依赖框架的包会小一些，独立的包会大一些，如果你的电脑已经装了net8.0-windows框架可以选择依赖框架的包，考虑到可能大部分人不一定装了net8.0-windows框架，我以独立的包做演示，点击压缩包，就在下载了：
解压该压缩包：
打开appsettings.json文件：
appsettings.json文件如下所示：
在你的电脑上启动Ollama，在命令行中输入ollama list 查看已经下载的模型：
由于我电脑的配置不是很好，对话模型以gemma2:2b为例，嵌入模型以bge-m3:latest为例，appsettings.json文件这样写：
Endpoint输入Ollama的地址，默认是，Ollama不需要Api Key随便写。
现在点击SimpleRAG.exe即可运行程序：
程序运行之后，如下所示：
先通过AI聊天测试配置是否成功：
配置已经成功。
现在来测试一下嵌入。
先拿一个简单的文本进行测试：
bash
代码解读
复制代码
小k最喜欢的编程语言是C#。
嵌入成功：
这个Demo程序为了方便存储文本向量使用的是Sqlite数据库，在这里可以看到：
如果你有数据库管理软件的话，打开该数据库，会发现文本已经以向量的形式存入Sqlite数据库中：
现在开始测试RAG回答效果：
对比不使用RAG的回答效果：
可以发现大语言模型根本不知道我们想问的私有数据的事情。
现在我们可以来测试一下更复杂一点的文本了，一样的嵌入文本之后，测试RAG效果：
RAG回答失败了，这是因为我使用的模型参数太少了，还不够强大。如果你的电脑配置好，可以改用更智能的模型，如果你的电脑配置不好，可以选择混合使用的方式，即使用在线的对话模型Api，使用本地Ollama中的嵌入模型。
使用在线对话Api+本地Ollama嵌入模型体验SimpleRAG
appsettings.json可以这样写：
测试RAG效果：
RAG还是失败了。
模型换成meta-llama/Meta-Llama-3.1-8B-Instruct：
模型换成google/gemma-2-9b-it：
模型换成Qwen/Qwen2-72B-Instruct：
通过源码找原因：
将相关度调成0.3就可以找到相关文本了，但是感觉这样也会出问题，文档一多很容易找到不相关的文档，后面appsettings.json中会增加相关度的配置：
现在再测试一下Qwen/Qwen2-7B-Instruct：
也可以了。
对比不使用RAG的回答效果：
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/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🆓↓↓↓
👉👈
