本地摆设知识库：Llama 3 + RAG +大模子开源教程「动手学大模子应用开发」
在本日的的教程中，我们将打造更加个性化的大模子，可以定制搭载私人知识库的本地大模子！我们探究Meta AI 的尖端 Llama 3 语言模子构建强大的检索增强生成 （RAG**） 来实现。通过使用 Llama 3 和 RAG 技术的功能，我们将创建一个应用程序，答应用户与网页进行交互式对话，检索定制化、私人知识库的相关信息并生成对用户查询的准确相应。在本教程中，我们将深入探究设置开发环境、加载和处理网页数据、创建嵌入和向量存储以及实现 RAG 链以提供良好用户体验的分步过程。
什么是Llama 3？
https://i-blog.csdnimg.cn/direct/635e8918cd4f4f848eaa6ace6cd54f4a.jpeg
Llama 3 是由 Meta AI 开发的最先辈的语言模子，擅长明白和生成类似人类的文本。
[*]依附其令人印象深刻的天然语言处理能力，Llama 3 可以明白复杂的查询、提供准确的相应并参与与上下文相关的对话。
[*]它能够处理广泛的主题和处理效率，使其成为构建智能应用程序的抱负选择。
[*]想测试Llama 3的威力吗？立即与 Anakin AI 聊天！（它支持任何可用的 AI 模子！
什么是RAG？
检索增强生成 （RAG） 是一种将信息检索和语言生成相结合以进步问答系统性能的技术。
[*]简朴来说，RAG 答应 AI 模子从知识库或文档中检索相关信息，并使用该信息对用户查询生成更准确和上下文得当的相应。
[*]通过使用检索和生成的强大功能，RAG 能够创建智能聊天机器人和问答应用程序，为用户提供高度相关和信息丰富的相应。
[*]对于想要在没有编码履历的情况下运行 RAG 系统的用户，您可以实验 Anakin AI，在那边您可以使用 No Code Builder 创建很棒的 AI 应用程序！
https://i-blog.csdnimg.cn/direct/474e89d84d4246e48495e413b8759187.jpeg
运行本地 Llama 3 RAG 应用的先决条件
在开始之前，请确保已安装以下先决条件：
[*]Python 3.7 or higher
[*]Streamlit
[*]ollama
[*]langchain
[*]langchain_community
您可以通过运行以下命令来安装所需的库：
pip install streamlit ollama langchain langchain_community
使用 Llama-3 在本地运行您自己的 RAG 应用程序的分步指南
第 1 步：设置 Streamlit 应用程序
起首，让我们设置 Streamlit 应用程序的根本结构。创建一个名为 app.py 的新 Python 文件，并添加以下代码：
import streamlit as st
import ollama
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.document_loaders import WebBaseLoader
from langchain_community.vectorstores import Chroma
from langchain_community.embeddings import OllamaEmbeddings
st.title("Chat with Webpage
页:
[1]