AI LLM 利器 Ollama 架构和对话处理流程解析
Ollama 概述
Ollama 是一个快速运行 LLM（Large Language Models，大语言模型）的简便工具。通过 Ollama，用户无需复杂的环境配置，即可轻松与大语言模型对话互动。
本文将解析 Ollama 的整体架构，并详细讲解用户在与 Ollama 进行对话时的具体处理流程。
Ollama 整体架构
Ollama 使用了经典的 CS（Client-Server）架构，其中：
- Client 通过命令行的方式与用户交互。
- Server 可以通过命令行、桌面应用（基于 Electron 框架）、Docker 其中一种方式启动。无论启动方式如何，最终都调用同一个可执行文件。
- Client 与 Server 之间使用 HTTP 进行通信。
Ollama Server 有两个核心部分：
ollama-http-server：负责与客户端进行交互。llama.cpp：作为 LLM 推理引擎，负责加载并运行大语言模型，处理推理请求并返回结果。ollama-http-server与llama.cpp之间也是通过 HTTP 进行交互。
说明：llama.cpp 是一个独立的开源项目，具备跨平台和硬件友好性，可以在没有 GPU、甚至是树莓派等设备上运行。
Ollama 存储结构
Ollama 本地存储默认使用的文件夹路径为 $HOME/.ollama，文件结构如下图所示：
文件可分为三类：
- 日志文件：包括记录了用户对话输入的
history文件，以及logs/server.log服务端日志文件。 - 密钥文件：id_ed25519 私钥和 id_ed25519.pub 公钥。
- 模型文件：包括
blobs原始数据文件，以及manifests元数据文件。
元数据文件，例如图中的 models/manifests/registry.ollama.ai/library/llama3.2/latest 文件内容为：
如上图所示，manifests 文件是 JSON 格式，文件内容借鉴了云原生和容器领域中的 OCI spec 规范，manifests 中的 digest 字段与 blobs 相对应。
Ollama 对话处理流程
用户与 Ollama 进行对话的大致流程如下图所示：
- 用户通过 CLI 命令行执行
ollama run llama3.2开启对话（llama3.2是一种开源的大语言模型，你也可以使用其它 LLM）。 - 准备阶段：
- CLI 客户端向
ollama-http-server发起 HTTP 请求，获取模型信息，后者会尝试读取本地的manifests元数据文件，如果不存在，则响应 404 not found。 - 当模型不存在时，CLI 客户端会向
ollama-http-server发起拉取模型的请求，后者会去远程存储仓库下载模型到本地。 - CLI 再次请求获取模型信息。
- 交互式对话阶段：
- CLI 先向
ollama-http-server发起一个空消息的/api/generate请求，server 会先在内部进行一些 channel（go 语言中的通道）处理。 - 如果模型信息中包含有 messages，则打印出来。用户可以基于当前使用的模型和 session 对话记录保存为一个新的模型，而对话记录就会被保存为 messages。
- 正式进入对话：CLI 调用
/api/chat接口请求ollama-http-server，而ollama-http-server需要依赖llama.cpp引擎加载模型并执行推理（llama.cpp也是以 HTTP server 的方式提供服务）。此时，ollama-http-server会先向llama.cpp发起/health请求，确认后者的健康状况，然后再发起/completion请求，得到对话响应，并最终返回给 CLI 显示出来。
通过上述步骤，Ollama 完成了用户与大语言模型的交互对话。
总结
Ollama 通过集成 llama.cpp 推理引擎，并进一步封装，将复杂的 LLM 技术变得触手可及，为开发者和技术人员提供了一个高效且灵活的工具，很好地助力了各种应用场景下的大语言模型推理与交互。
参考资料：
- github.com/ollama/olla…
- github.com/ggerganov/l…
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🆓↓↓↓
👉👈
