大模型

基于langchain+本地lamma3.1+本地chroma做RAG增强生成系统

优质文章学习记录

06 Feb 2025 — 10 min read

在实际做RAG(RAG，Retrieval Augmented Generation,即：增强生成)系统时，经常会遇到数据安全、隐私保护等问题，此时使用本地部署的大模型和本地部署的矢量数据库时很必要的。

对一些概念的理解

以下的概念定义不严谨，主要是为了便于理解。实际上这些概念不仅适用于“文本”。

1. 嵌入（embedding）

计算机的强项是计算。在处理文本时，只有把文本转换成“数”以后才能被计算机处理，我们可以认为这个过程就是：嵌入（embedding）。

我们可以用大模型进行这种嵌入：把喂给它的文本转换成“数”。嵌入的过程参见下图：

www.zeeklog.com - 基于langchain+本地lamma3.1+本地chroma做RAG增强生成系统

2. 矢量数据库

在对文本做了“嵌入”以后，文本会被转换成“矢量”。

矢量通常由很多“维度”组成，比如我们常见的笛卡尔坐标：有x轴和y轴，我们可以用(x,y)来表示一个点的位置，这个矢量就是2维的。

“嵌入”的过程实际上也可以称之为“矢量化”，为了能够准确的表示文本的“特征”，通常使用大模型矢量化后的矢量有很多维。

3. RAG(Retrieval Augmented Generation)

由于大模型训练使用的数据通常不是最新的，而且也显然不可能特别全。所以通常在做一些专业领域的系统时，需要借助专业领域的知识库。

有一种有效的方式是：使用矢量数据库把专业的知识存储起来，我们可以叫它“知识库”，在进行专业知识查询时，先在“知识库”种查询关联的知识，然后再巧妙的融入到“提示词”中，喂给大模型，由大模型经过思考后返回“人性化”的答案。

这个过程就是RAG(Retrieval Augmented Generation)。

更详细的内容可以参考：[]

使用langchain+本地lamma3.1+本地chroma实现知识问答

1. 安装依赖，在VS Code的terminal/终端中执行。

pip install --upgrade langchain langchain-community langchain-chroma

2. 嵌入和存储

做嵌入和查询时应该使用同一个大模型。如果在做嵌入和执行查询时用不同的大模型，那就不一定能查出什么了：）

from langchain.vectorstores import Chroma
from langchain.text\_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings import OllamaEmbeddings
from langchain\_ollama.llms import OllamaLLM
from langchain.chains import VectorDBQA
from langchain.document\_loaders import TextLoader

persist\_directory \= 'chroma\_langchain\_db\_test'
model\_name \= "llama3.1"

# 定义嵌入。在存储嵌入和查询时都需要用到此嵌入函数。
def  get\_embedding():
    embeddings \= OllamaEmbeddings(model=model\_name)
    return embeddings

# 对文本矢量化并存储在本地
def create\_db():

    # 用来加载文本文件。
    # 指定文件使用tf-8编码读取，以确保正确处理非ASCII字符。
    loader = TextLoader('doc/state\_of\_the\_union.txt',encoding='utf-8')
    documents \= loader.load()

    # 用于将长文本拆分成较小的段，便于嵌入和大模型处理。
    # 每个文本块的最大长度是1000个字符，拆分的文本块之间没有重叠部分。
    text\_splitter = RecursiveCharacterTextSplitter(chunk\_size=1000, chunk\_overlap=0)
    texts \= text\_splitter.split\_documents(documents)
   
    # 从文本块生成嵌入，并将嵌入存储在Chroma向量数据库中，同时设置数据库持久化路径。
    vectordb = Chroma.from\_documents(documents=texts, embedding=get\_embedding(),persist\_directory=persist\_directory)

    # 将数据库的当前状态写入磁盘，以便在后续重启时加载和使用。
    vectordb.persist()

create\_db()

执行 Chroma.from_documents 开始执行嵌入，这个过程计算量较大，可能比较慢。

嵌入执行完毕后，会在项目文件夹中出现chroma数据库文件：

3. 查询知识

def ask(query):

    # 创建大模型实例
    model = OllamaLLM(model=model\_name)

    # 使用本地矢量数据库创建矢量数据库实例
    vectordb = Chroma(persist\_directory=persist\_directory, embedding\_function=get\_embedding())

    # 处理基于向量数据库的查询回答任务。
    # "stuff"：意味着模型将所有的上下文一次性处理。
    qa = VectorDBQA.from\_chain\_type(llm=model, chain\_type="stuff", vectorstore=vectordb)
   
    result \= qa.run(query)
    return result

query \= "What did the president say about Ketanji Brown Jackson"
r \= ask(query)
print (r)

查询结果如下图：

4. 全部代码，仅供参考：

from langchain.vectorstores import Chroma
from langchain.text\_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings import OllamaEmbeddings
from langchain\_ollama.llms import OllamaLLM
from langchain.chains import VectorDBQA
from langchain.document\_loaders import TextLoader

persist\_directory \= 'chroma\_langchain\_db\_test'
model\_name \= "llama3.1"

# 定义嵌入。在存储嵌入和查询时都需要用到此嵌入函数。
def  get\_embedding():
    embeddings \= OllamaEmbeddings(model=model\_name)
    return embeddings

# 对文本矢量化并存储在本地
def create\_db():

    # 用来加载文本文件。
    # 指定文件使用tf-8编码读取，以确保正确处理非ASCII字符。
    loader = TextLoader('doc/state\_of\_the\_union.txt',encoding='utf-8')
    documents \= loader.load()

    # 用于将长文本拆分成较小的段，便于嵌入和大模型处理。
    # 每个文本块的最大长度是1000个字符，拆分的文本块之间没有重叠部分。
    text\_splitter = RecursiveCharacterTextSplitter(chunk\_size=1000, chunk\_overlap=0)
    texts \= text\_splitter.split\_documents(documents)
   
    # 从文本块生成嵌入，并将嵌入存储在Chroma向量数据库中，同时设置数据库持久化路径。
    vectordb = Chroma.from\_documents(documents=texts, embedding=get\_embedding(),persist\_directory=persist\_directory)

    # 将数据库的当前状态写入磁盘，以便在后续重启时加载和使用。
    vectordb.persist()

# create\_db()

def ask(query):

    # 创建大模型实例
    model = OllamaLLM(model=model\_name)

    # 使用本地矢量数据库创建矢量数据库实例
    vectordb = Chroma(persist\_directory=persist\_directory, embedding\_function=get\_embedding())

    # 处理基于向量数据库的查询回答任务。
    # "stuff"：意味着模型将所有的上下文一次性处理。
    qa = VectorDBQA.from\_chain\_type(llm=model, chain\_type="stuff", vectorstore=vectordb)
    
    result \= qa.run(query)
    return result

query \= "What did the president say about Ketanji Brown Jackson"
r \= ask(query)
print (r)

下载源代码

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🆓↓↓↓

👉👈