全民AI时代：手把手教你用Ollama & AnythingLLM搭建AI知识库，无需编程，跟着做就行！
时间：2024-04-24 08:45:33 来源：网络cs 作者：康由 栏目：卖家故事 阅读：
在本地电脑上跑大语言模型（LLM），已经不是什么高科技操作了。随着技术的迭代，现在利用Ollam和AnythingLLM就可以轻松构建自己的本地知识库，人人皆可上手，有手就行。过往要达成这一目标，可是需要有编程经验的。
首先得了解一下背后的原理。大概就是三步走：一是LLM，大语言模型，懂得怎么处理自然语言。二是嵌入模型，它的工作就是把复杂的数据简化，转化成易于处理的格式。最后是向量数据库，专门存储和管理那些转化后的数据。
说实话，虽然文章有点长，但里面多是附加的资源和细节，实际上手操作真的挺简单的。感兴趣的朋友，动手试试吧，说不定用AI构建自己知识库这种事挺酷的。
现在，咱们来看看如何实操：
第一步：安装ollam
ollam，这玩意儿现在可以说是跑大模型的神器。不管你用的是PC、Mac还是树莓派，只要内存够，跑起来都不是问题。记得，7B模型至少要8G内存，13B的要16G，想玩70B的大家伙，那得有64G。首先，去ollama.com下载适合你操作系统的版本，我用的是Windows，下载安装完之后，在命令行敲一下ollama -V，能看到版本号就说明安装好了。
下载适合本地电脑的大模型，ollama网站上有个“Models”链接，点进去找到“gemma”模型。在“Tags”里面找到你想运行的模型版本，比如“7b”，旁边有个复制按钮，点击后把命令复制下来。然后就是在命令行里跑这个命令，第一次运行会自动下载模型。下载完毕，就能开始和它聊天或者让它帮你写代码了。 
终端输入：
ollama run llama2:7b
下载完成后，就进入交互模式，这就可以开始聊天了。
至此，Gemma 模型的_本地部署运行已经完成了_，非常简单。
使用像 ChatGPT 那样的现代的聊天窗口虽然部署完成了，但是上面那种_古老的终端_可能影响我们的交互体验，下面提供两个现代聊天窗口工具（如果你不想使用这些GUI，这一步可以跳过，不影响本地知识库搭建，**直接去看下面的第二步：**AnythingLLM安装）：chatbox 和 openai web ui。
第一个：chatbox
打开设置，模型提供方选 ollama，API 地址是本地的 11434 端口，模型选 gemma:7b。
地址：https://chatboxai.app/zh
第二个：openai web ui
如何安装🚀
请注意，对于某些 Docker 环境，可能需要额外的配置。如果您遇到任何连接问题，我们有关Open WebUI 文档的详细指南随时可以为您提供帮助。
快速开始使用 Docker 🐳
使用 Docker 安装 Open WebUI 时，请确保 -v open-webui:/app/backend/data 在 Docker 命令中包含 。此步骤至关重要，因为它确保您的数据库正确安装并防止任何数据丢失。
docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main# 要连接到另一台服务器上的 Ollama，请将 更改 OLLAMA_BASE_URL 为服务器的 URL： docker run -d -p 3000:8080 -e OLLAMA_BASE_URL=https://example.com -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main安装完成后，您可以通过 http://localhost:3000 访问 Open WebUI。享受！😄
打开 WebUI：服务器连接错误
如果您遇到连接问题，通常是由于 WebUI docker 容器无法访问容器内位于 127.0.0.1:11434 (host.docker.internal:11434) 的 Ollama 服务器。使用 --network=hostdocker 命令中的标志来解决此问题。请注意，端口从 3000 更改为 8080，导致链接：http://localhost:8080。
Docker 命令示例：
docker run -d --network=host -v open-webui:/app/backend/data -e OLLAMA_BASE_URL=http://127.0.0.1:11434 --name open-webui --restart always ghcr.io/open-webui/open-webui:main其他安装方法
我们提供各种安装替代方案，包括非 Docker 方法、Docker Compose、Kustomize 和 Helm。请访问我们的 Open WebUI 文档或加入我们的 Discord 社区以获得全面的指导。
安装文档地址：🏡 Home | Open WebUI
https://docs.openwebui.com/上面只是让模型不足到本地下面来构建本地知识库，如果仅仅是构建本地知识库的话上面那些 GUI 可以不安装，下面开始**正题**：下载本地知识库软件：
第二步：AnythingLLM安装
下载地址：https://useanything.com/download
产品概述
AnythingLLM 是一个全栈应用程序，您可以使用商业现成的 LLM 或流行的开源 LLM 和 vectorDB 解决方案来构建私有 ChatGPT，无需任何妥协，您可以在本地运行，也可以远程托管并能够智能聊天以及您提供的任何文件。
AnythingLLM 将您的文档划分为名为 workspaces 的功能很像线程，但增加了文档的容器化。工作区可以共享文档，但它们不会相互通信，因此您可以保持每个工作区的上下文干净。
AnythingLLM 的一些很酷的功能
以下是 AnythingLLM 的一些酷炫功能：
支持多用户实例和权限 新的自定义可嵌入式聊天小部件，可以嵌入到你的网站 支持多种文件类型（PDF，TXT，DOCX等） 通过简单的用户界面管理你的向量数据库中管理文件 提供两种聊天模式：对话和查询。对话保留先前的问题和修订。查询是针对文档的简单QA 聊天过程中的引用 100%适合云部署。 “自带LLM”模型 处理大文件时极有效的节约成本措施。你永远不必为将大型文件或记录输送到聊天机器人中支付费用，比其他的文件聊天机器人解决方案节省90%的费用。 提供全面的开发者API用于自定义集成！同类开源项目大多基于Python语言开发。AnythingLLM采用了Javascript，前端用React，后端用Node，对于全栈工程师非常友好。
• 前端： React和ViteJS，实现创建和管理大模型用到的知识库
• 后端： Node.js Express框架，实现向量数据库的管理和所有与大模型的交互
• 采集器： Node.js Express框架，实现对文档的处理解析
多用户模式
这一点对于企业级应用特别关键，AnythingLLM支持多用户模式，3种角色的权限管理。
系统会默认创建一个管理员（Admin）账号，拥有全部的管理权限。
第二种角色是Manager账号，可管理所有工作区和文档，但是不能管理大模型、嵌入模型和向量数据库。
普通用户账号，则只能基于已授权的工作区与大模型对话，不能对工作区和系统配置做任何更改。
打开ollama端口：
Ollama其实有两种模式：
聊天模式 服务器模式这里使用服务器模式，Ollama在后端运行大模型，开发IP和端口给外部软件使用。
ollama serve通过终端或者命令行，访问 http://localhost:11434 进行验证：
curl http://localhost:11434如果看到以下输出，表示Ollama正在运行：
Ollama is running下载AnythingLLM之后开始进入启动的配置阶段，开始之前请确保 ollama serve 运行，或者终端执行 ollama run xxx（任何一个模型）。
否则，AnythingLLM和其他依赖于Ollama端口的软件（前面的几个GUI）会运行不了或者找不到模型，错误如下：
启动并配置AnythingLLM
搭建一个本地知识库，会涉及到三个关键：``1. LLM Model，大语言模型。它负责处理和理解自然语言。``2. Embedding Model，嵌入模型。它负责把高维度的数据转化为低维度的嵌入空间。这个数据处理过程在RAG中非常重要。``3. Vector Store，向量数据库，专门用来高效处理大规模向量数据。本地大模型选择
选择 Ollama，填入 Ollama 的 http://host.docker.internal:11434 端口，然后选择你下载的模型。当然你也可以使用 OpenAI，使用更强大的云端模型，提供基础模型支持。但这样的话，就不是完全本地化的私有部署了。
Embedding 配置
可以选择：https://ollama.com/library/nomic-embed-text 或者 AnythingLLM 自带的 AnythingLLMEmbedder。
向量数据库配置
AnythingLLM 默认使用内置的向量数据库 LanceDB。这是一款无服务器向量数据库，可嵌入到应用程序中，支持向量搜索、全文搜索和 SQL。我们也可以选择 Chroma、Milvus、Pinecone 等向量数据库。
我选择了 LanceDB。你想修改前面的推理模型或者嵌入模型，以及下列数据库，注册完成之后，可以在后台设置修改。
完成上述登录配置操作之后，让我们进入界面介绍（如下图）。
导入外部 Documents
AnythingLLM 可以支持 PDF、TXT、DOCX 等文档，可以提取文档中的文本信息，经过嵌入模型（Embedding Models），保存在向量数据库中，并通过一个简单的 UI 界面管理这些文档。
为管理这些文档，AnythingLLM 引入工作区（workspace）的概念，作为文档的容器，可以在一个工作区内共享文档，但是工作区之间隔离。AnythingLLM 既可以上传文档，也可以抓取网页信息。
将文档保存嵌入工作区向量数据库
根据知识库中上传的文档，进行知识问答。
RAG 智能问答
Ok，经过我们前面所有的艰难准备，现在正式部署成功，让我们来体验一下：
相比文档中的原文，大模型给出的回答还不够准确（与选择的基础模型有关，我自己的笔记本电只能跑 gemma: 6b 的），未来，这套系统还可在文本召回和重排等方面，进一步调优和完善。
点击空间的设置按钮并切换为Query状态后，模型将仅在找到文档上下文时提供答案（回答会更加绑定于知识库）。
后面是一些API操作：
生成系统 API 私钥
设置 API 访问授权密码
系统提供的 API 列表
总结
常见错误：
本地运行大模型耗资源，需要选择较小的模型作为基础模型。在终端中运行时可能会出现 CUDA 错误，表示显存不足，导致提供的端口失效。
3. 文中提到的技术软件工具有：Ollama、Chatbox、Open WebUI、向量数据库、嵌入模型、本地模型 Gemma、AnythingLLM
附加信息：
在本地快速运行大模型，可以使用 Ollama 和 Hugging Face。Hugging Face 提供了两种方式来访问大模型：
Inference API （Serverless）：通过 API 进行推理。import requests API_URL = "https://api-inference.huggingface.co/models/meta-llama/Llama-2-7b-hf" headers = {"Authorization": "Bearer xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"} def query(payload): response = requests.post(API_URL, headers=headers, json=payload) return response.json() output = query({ "inputs": "Can you please let us know more details about your ", })from transformers import pipeline pipe = pipeline("text-generation", model="meta-llama/Llama-2-7b-hf")使用 Hugging Face 对于不懂编程的人来说可能比较困难，因为需要申请 API Key 并且需要本地有 Python 或其他编程语言的环境。而使用 Ollama 来运行本地大模型则更加简单。
大模型岗位需求
大模型时代，企业对人才的需求变了，AIGC相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。
掌握大模型技术你还能拥有更多可能性：
• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；
• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；
• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；
• 更优质的项目可以为未来创新创业提供基石。
可能大家都想学习AI大模型技术，也想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把全套AI技术和大模型入门资料、操作变现玩法都打包整理好，希望能够真正帮助到大家。
-END-
👉AI大模型学习路线汇总👈
大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）
第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；
第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
👉大模型实战案例👈
光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
👉大模型视频和PDF合集👈
观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
本文链接：https://www.kjpai.cn/gushi/2024-04-24/161669.html，文章来源：网络cs，作者：康由，版权归作者所有，如需转载请注明来源和作者，否则将追究法律责任！