大模型

llamaindex实战-Agent-在Agent中使用RAG查询(本地部署)

优质文章学习记录

07 Feb 2025 — 9 min read

概述

本文说明如何在Agent中加入RAG查询引擎，这样就可以在Agent中使用外部的知识库，从而让Agent可以进行外部知识库中数据的查询，让Agent更加强大。

这种模式在很多场景下都很有用，比如：我们很多时候需要先查询或计算某个指标后，若数据或指标符合某个条件时，再通过工具函数来进行处理。该文的实验是通过llamaindex自带的一个例子来完成，我们可以通过该例子结合自己的业务来进行拓展。

本文运行的代码完全是在x86机器上，并且都是在本地部署跑通，不依赖openai的任何接口，完全免费。

实现思路

为了演示如何在Agent中使用 RAG 引擎，我们将创建一个非常简单的 RAG 查询引擎。我们的源数据将是维基百科上关于 2023 年加拿大联邦预算的页面，并已将其打印为 PDF 格式。

通过rag和agent结合，可以先从文档数据中获取到对应的数据，让后再调用tools函数，来对文档中读取到的数据进行处理。

注意：这些步骤都是大模型根据语义的理解选取合适的工具，自动执行的。而我们只需要给我们的代码指令，告诉它，我们想要什么即可。

运行环境

我的环境是一台虚拟机，没有GPU，配置如下：

cpu类型: x86

核数：16核

内存：32G

实现步骤

准备好本地嵌入模式

从huggingface或其他地方下载bge-base-en-v1.5模型的所有文件到以下目录：

/opt/models/BAAI/bge-base-en-v1.5

准备本地大模型

直接可以通过ollama来获取大模型到本地，我这里使用的是gemm2。

ollama pull gemma2

把RAG查询引擎加入到Agent工具列表中

\# rag pipeline as a tool  
budget\_tool \= QueryEngineTool.from\_defaults(  
    query\_engine,   
    name\="canadian\_budget\_2023",  
    description\="A RAG engine with some basic facts about the 2023 Canadian federal budget."  
)  
  
\# 把rag查询引擎作为agent的工具，加入到agent的工具列表中  
agent \= ReActAgent.from\_tools(\[multiply\_tool, add\_tool, budget\_tool\], verbose\=True)

我们要查询的文档内容如下

www.zeeklog.com - llamaindex实战-Agent-在Agent中使用RAG查询(本地部署)

把https://en.wikipedia.org/wiki/2023_Canadian_federal_budget保存成pdf文档，内容如上图所示，并保存到./agent_rag_data目录下。

代码实现

首先通过ollama下载大模型到本地，并下载并保存本地嵌入模型，我这里下载并使用的是：bge-base-en-v1.5模型，该模型所有的文件都保存在/opt/models/BAAI/bge-base-en-v1.5目录中。

from llama\_index.core.agent import ReActAgent  
from llama\_index.llms.openai import OpenAI  
from llama\_index.core.tools import FunctionTool  
from llama\_index.core import SimpleDirectoryReader, VectorStoreIndex, Settings  
from llama\_index.core.tools import QueryEngineTool  
from llama\_index.llms.ollama import Ollama  
  
from llama\_index.embeddings.huggingface import HuggingFaceEmbedding  
from llama\_index.llms.ollama import Ollama  
  
\# 创建本地大模型  
#Settings.llm = Ollama(model="llama3.2", request\_timeout=360)  
Settings.llm \= Ollama(model\="gemma2", request\_timeout\=360)  
  
local\_model \= "/opt/models/BAAI/bge-base-en-v1.5"  
\# 创建本地嵌入大模型  
Settings.embed\_model \= HuggingFaceEmbedding(model\_name\=local\_model)  
  
\# 创建其他数据处理的工具函数  
def multiply(a: float, b: float) \-> float:  
    """Multiply two numbers and returns the product"""  
    return a \* b  
  
multiply\_tool \= FunctionTool.from\_defaults(fn\=multiply)  
  
def add(a: float, b: float) \-> float:  
    """Add two numbers and returns the sum"""  
    return a + b  
  
add\_tool \= FunctionTool.from\_defaults(fn\=add)  
  
\# 构建知识库查询引擎  
documents \= SimpleDirectoryReader("./agent\_rag\_data").load\_data()  
index \= VectorStoreIndex.from\_documents(documents,show\_progress\=True)  
query\_engine \= index.as\_query\_engine()  
  
\# test 2  
\# rag pipeline as a tool  
budget\_tool \= QueryEngineTool.from\_defaults(  
    query\_engine,   
    name\="canadian\_budget\_2023",  
    description\="A RAG engine with some basic facts about the 2023 Canadian federal budget."  
)  
  
agent \= ReActAgent.from\_tools(\[multiply\_tool, add\_tool, budget\_tool\], verbose\=True)  
response \= agent.chat("What is the total amount of the 2023 Canadian federal budget multiplied by 3? Go step by step, using a tool to do any math."  
)  
print(response)

通过gemm2本地大模型，输出的结果如下：

python agent\_rag.py   
Parsing nodes: 100%|█████████████████████████████████████████████████████████████████████████| 4/4 \[00:00<00:00, 1161.94it/s\]  
Generating embeddings: 100%|███████████████████████████████████████████████████████████████████| 4/4 \[00:01<00:00,  2.92it/s\]  
\> Running step a8beded3-6a08-4d4d-acec-189c63f0fbf3. Step input: What is the total amount of the 2023 Canadian federal budget multiplied by 3? Go step by step, using a tool to do any math.  
Thought: The current language of the user is: English. I need to use a tool to help me answer the question.  
Action: canadian\_budget\_2023  
Action Input: {'input': 'What is the total amount of the 2023 Canadian federal budget?'}  
Observation: $496.9 billion   
  
\> Running step a783cc6d-ee83-4166-af2c-e2ea58333a9a. Step input: None  
Thought: I need to multiply this by three.  
Action: multiply  
Action Input: {'a': 496.9, 'b': 3}  
Observation: 1490.6999999999998  
\> Running step 8dfa9d5c-c729-454d-bc97-7c59beba99b2. Step input: None  
Thought: I can answer without using any more tools. I'll use the user's language to answer  
Answer: The total amount of the 2023 Canadian federal budget multiplied by 3 is $1,490.7 billion.  
The total amount of the 2023 Canadian federal budget multiplied by 3 is $1,490.7 billion.

从以上结果可以看到，gemm2结合嵌入模型，rag模式从文档中获取到了$496.9 billion这个数据，然后再对该数据乘以3，就得到了最终要求的结果。

注意：可以使用其他大模型试一下，比如：llama3，有时候效果并不是很好，不能得到想要的答案。所以，这个还需要进一步测试和优化，才能更好的使用。

参考资料

https://docs.llamaindex.ai/en/stable/understanding/agent/rag_agent/

文档位置：https://en.wikipedia.org/wiki/2023_Canadian_federal_budget

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🆓↓↓↓

👉👈