【ollama+GraphRAG】用最低成本，搭建属于自己的大模型数据库
前言：
随着大模型的不断发展，人们对其要求也在不断提高，过往的通用大模型已经不能满足需求，更需要的是针对某个领域特定的大模型。但是从头开始训练一个模型又会很麻烦，不过，微软给了我们一个思路，那就是graphrag。本篇文件将利用graphrag和ollama搭建一个本地的大模型数据库
服务器的选择 HAI：
因为我们是要在本地运行大模型，首先要选一个带有gpu的服务器（如果选用纯cpu的服务器，速度会很慢）。
我这里推荐的是腾讯云的，购买完成后，我们进入HAI的控制台
进入后点击新建
我们这里预设模板选择ollama，地区根据你自己的喜好购买（腾讯云这里提供了免费的学术加速，无需担心网络）
选好后我们点击立即购买即可
配置环境
购买完成后，我们点击算力链接，我们这里用的是cloud studio
服务器的选择 CVM：
想必hai服务器，更推荐cvm服务器，因为cvm在其他方面更灵活，有更多的配置进行选择，而且可以随时创建镜像，方便数据保存
这里，我们可以选择不同的服务器，同时最近腾讯云双十一也在举行拼团活动，可以活动更多的优惠时长，欢迎大家来看看
以下操作和cvm服务器的Linux操作系统下操作一样
检查ollama
因为是预装了ollama。我们只需要检查一下ollama是否正常就行了
文本描述已自动生成
我们点击新建终端，开启一个新终端
我们输入ollama，看看是否能够正常输出内容
文本描述已自动生成
如果可以正常输出，就证明ollama配置没有问题
我们继续下载个新模型，直接输入
代码语言：txt
复制
ollama run llama2-chinese
因为自带学术加速，速度还是不错的
这样 ollama本地大模型我们就不用管了，接下来安装配置graphrag
安装graphrag
- 因为自带conda，我们使用虚拟环境就方便很多
代码语言：txt
复制
conda create -n rag python=3.12
直接输入这条指令，我们就可以创建一个python3.12的环境，会方便很多
完成后，我们输入conda activate rag即可进入虚拟环境
随后我们输入
代码语言：txt
复制
pip install graphrag
他会自动安装原版的graphrag
完成后，我们在目前的文件夹创建一个ragtest文件夹
或者使用指令
代码语言：txt
复制
mkdir -p ./ragtest/input
创建后，我们初始化这个索引文件
代码语言：txt
复制
graphrag init --root ./ragtest
完成后 将创建两个文件：.env和settings.yaml，其中，settings是设置文件，因为我们是本地对接ollama，所以要做一些修改
我们把替换文件替换过去（感谢哔哩哔哩up主@提供的替换文件
网盘链接： 提取码: s53j ）
文本描述已自动生成
我们打开graphrag的安装目录（部分可能有所差异）
文本描述已自动生成
我们依次按照目录替换文件
/root/miniforge3/envs/rag/lib/python3.12/site-packages/graphrag/query/llm/oai
. /root/miniforge3/envs/rag/lib/python3.12/site-packages/graphrag/llm/openai
图形用户界描述已自动生成
替换完成后，我们返回到原先的文件夹就可以了
我们往input文件夹放一个TXT文档，这个txt文档就是我们要构建数据库的文档
手机屏幕的截描述已自动生成
然后我们执行
代码语言：txt
复制
graphrag index --root ./ragtest
然后我们稍等即可
文本描述已自动生成
具体的速度快慢和最后成功好坏，取决于你本地的算力多少
这里也可以使用在线的大模型，不过需要是openai的格式，并且执行一次索引耗费的token较多，需要谨慎考虑
当最后提示🚀 All workflows completed successfully.，就表示我们建立成功了
文本描述已自动生成
此时我们就可以进行检索了
输入
代码语言：txt
复制
python -m graphrag.query --root ./ragtest --method global --query "你的问题"
即可进行查询
文本描述已自动生成
因为不同安装方式有部分差异，请根据自己的安装方式进行调整
常见问题
1.为什么我最后出来的结果是英文？
答：可能是因为你使用的提示词模板是英文提示词，本地llm模型在其影响下输出了英文数据
解决方法：更换中文提示词
下载后替换到prompts文件夹接口
2.为什么无法正常索引
答：这个问题涉及到比较多，可能是配置文件部分地方修改问题，最容易出现问题的是api接口这里，我们要根据实际情况修改api接口，我们可以查看本机上ollama的服务器端口，来进行修改
另一方面，可能是llm模型的问题，我们可以通过修改model修改，我们可以通过输入ollama list指令来看本机上有哪些大模型
3.输出的缺少文件
答：这个大概率是api接口超时了，或者是达到阈值了，这个多出现在使用在线模型的时候，本地大模型很少出现，可以尝试更换模型重新跑的方式来解决
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🆓↓↓↓
👉👈
