大模型

基于 langchain+ollama 创建私有化知识库

优质文章学习记录

07 Feb 2025 — 9 min read

本文实现了基于langchain 的本地知识库的基本功能，可离线访问。主要使用了Langchain，ChromaDb Ollama。

概念介绍

什么是RAG

RAG 是retrieval-augmented-generation的缩写，直译中文的意思是 检索增强生成，可以简单理解能让训练好的大模型 LLM可以结合外部数据，可以补充或者修正大模型返回的答案，提高答案的准确性。

LLM 有哪些痛点

数据陈旧，一旦训练完成无法获取新知识。

只能获取公开的数据，很多企业内部数据由于数据安全的目的不会暴露在公网上，所以大模型不能获取相关数据

RAG的出现正好能解决以上问题

开始实现

实现步骤

我们目前要做的是

准备文档并进行解析，langchain_community.document_loaders 预制了一些各种文档的加载器可以选用
把文档向量化并存入数据库
文档向量搜索
结合提示词和大模型问答

前期准备

Ollama

安装 ollama 官网上有，这里就多说了。这里使用到了两个模型，可以用ollama pull 拉下拉

LLM 模型 qwen2.5:3b
embedding 模型 nomic-embed-text

ChromaDb

它支持本地存储以及独立客户端，选择本地存储的化不需要安装客户端参考

Hugging Face

用 huggingface-cli 下载 nomic-embed-text 作为 tokenizer 的模型

开始开发

数据准备和存储

文档读取

python
 代码解读

from langchain_community.document_loaders import TextLoader

loader = TextLoader(file_path=self.file_path, autodetect_encoding=True)
documents = loader.load()

文档拆分这里使用的是本地模型。实现了两个方法，拆分字符串和拆分文档

python
 代码解读


from typing import Any, Iterable, List
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_core.documents import Document
from langchain.text_splitter import CharacterTextSplitter
from transformers import AutoTokenizer

huggging_model_path = "model_path"

class HuggingFaceTextSplitter(CharacterTextSplitter):
  
    def __init__(self,
                 separator: str = "\n\n",
                 is_separator_regex: bool = False,
                 **kwargs: Any) -> None:
        super().__init__(separator, is_separator_regex, **kwargs)
        
        self.tokenizer = AutoTokenizer.from_pretrained(huggging_model_path)
        self.text_splitter = RecursiveCharacterTextSplitter.from_huggingface_tokenizer(
            self.tokenizer, chunk_size=1000, chunk_overlap=100)

    def split_text(self, text: str) -> List[str]:
        return self.text_splitter.split_text(text) 

    def split_documents(self, documents: Iterable[Document]) -> List[Document]:
        return self.text_splitter.split_documents(documents)

huggging_model_path 这是一个本地模型的文件夹地址

文档向量化，存入数据库这里向量化的过程，没有单独实现，用的是数据库的特性，插入数据时自动实现我们先写一段简单的数据库service，做数据库的插入

python
 代码解读

from typing import List
import chromadb
from chromadb.api import ClientAPI
from chromadb.api.types import GetResult
from langchain.docstore.document import Document
from lib import ConfigService, get_Embeddings_func
from typing import Dict, List
import uuid

class ChromaService():

    data_path_base: str
    client: ClientAPI
    collection_name: str

    def __init__(self, collection_name: str) -> None:
    
        configService = ConfigService()
        self.data_path_base = configService.env_config.chromadb.get(
            "data_path_base")
        # 持久化存储
        self.client = chromadb.PersistentClient(path=self.data_path_base)
        self.embeddings_func = get_Embeddings_func()
        self.collection_name = collection_name
        self.collection = self.client.get_or_create_collection(
            collection_name, embedding_function=self.embeddings_func)

    def get_result_by_ids(self, ids: List[str]) -> GetResult:
    
        return self.collection.get(ids, include=["embeddings"])


    def add_doc(self, docs: List[Document], **kwargs) -> List[Dict]:

        doc_infos = []
        texts = [doc.page_content for doc in docs]
        metadatas = [doc.metadata for doc in docs]
        ids = [str(uuid.uuid1()) for _ in range(len(texts))]
        
        for _id, text, metadata in zip(ids, texts, metadatas):
            self.collection.add(
                ids=_id,
                metadatas=metadata,
                documents=text)
            doc_infos.append({"id": _id, "metadata": metadata})
        return doc_infos

这里数据库配置用了本地存储 PersistentClient，获取集合的时候指定了 embedding_function，这的用处是在数据插入的时候由数据库生成向量化数据，如果这个参数不传的化，就要手动插入向量数据。

python
 代码解读

from chromadb.utils.embedding_functions.ollama_embedding_function import OllamaEmbeddingFunction

def get_Embeddings_func():

    api_url="http://localhost:11434/api/embeddings"
    ollama_ef = OllamaEmbeddingFunction(
        url=api_url,
        model_name="nomic-embed-text",
    )
    return ollama_ef

数据至此已存入数据库

数据查询

在 ChromaService 里增加几个查询方法，首先是最简单的按照Id 查询

python
 代码解读

    def get_result_by_ids(self, ids: List[str]) -> GetResult:
    
        return self.collection.get(ids=ids)

其次是向量查询

python
 代码解读

    async def do_search_db(self, query) -> QueryResult::
    
        embed_query = await self.embeddings.aembed_query(query)
        result = self.collection.query(query_embeddings=embed_query)
        return result

这里的embeddings 来源于这里

python
 代码解读

from langchain_core.embeddings import Embeddings
from langchain_ollama import OllamaEmbeddings

def get_Embeddings() -> Embeddings:

    embeddings = OllamaEmbeddings(
        model="nomic-embed-text")
    return embeddings

和 LLM 结合

增加QaChain

在ChromaService 增加方法并且在 __init__ 里调用。

python
 代码解读
	from langchain_ollama import ChatOllama, OllamaEmbeddings
	from langchain_chroma import Chroma
	from langchain.chains.qa_with_sources.retrieval import RetrievalQAWithSourcesChain
	
    def _init_qa(self):

        vector_em = OllamaEmbeddings(model='nomic-embed-text')
        
        vectordb = Chroma(persist_directory=self.data_path_base,
                          collection_name=self.collection_name,
                          embedding_function=vector_em)

        ollamaLlm = ChatOllama(model="qwen2.5:3b",
                               custom_get_token_ids=get_token_encode)
        
        self.qa_retrieval = RetrievalQAWithSourcesChain.from_llm(
            llm=ollamaLlm,
            retriever=vectordb.as_retriever(search_type="similarity",
                                            search_kwargs={"k": 2}),
            return_source_documents=True)

这里有几点要说下

llm 用的是 ChatOllama
custom_get_token_ids 这个要自己实现，不然就会请求网上的gpt2模型做encode，断网就报错了

python
 代码解读

def get_token_encode(text: str) -> list[int]:
	huggging_model_path = "model_path"
    tokenizer = AutoTokenizer.from_pretrained(huggging_model_path)
    result = tokenizer.encode(text)
    return result

retriever 是 Chroma ，要注意下，这里的embedding_function 接收的参数是 OllamaEmbeddings 实例，是从 langchain_ollama 这个包里导入，和上面初始化collection 里的 embedding_function 不是同一个东西，虽然类型相似。

现在提问就很简单了 query 就是你问题，一个字符串

python
 代码解读

  result = self.qa_retrieval.invoke(query)

result 就是给你的答案

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🆓↓↓↓

👉👈

www.zeeklog.com - 基于 langchain+ollama 创建私有化知识库

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🆓↓↓↓

👉👈