当地部署私家知识库的大模型！Llama 3 + RAG！
在今天的的教程中，我们将打造更加个性化的大模型，可以定制搭载私家知识库的当地大模型！我们探讨Meta AI 的尖端 Llama 3 语言模型构建强大的检索增强生成 （RAG） 来实现。通过利用 Llama 3 和 RAG 技术的功能，我们将创建一个应用步调，允许用户与网页进行交互式对话，检索定制化、私家知识库的相关信息并生成对用户查询的正确响应。在本教程中，我们将深入探讨设置开发情况、加载和处理网页数据、创建嵌入和向量存储以及实现 RAG 链以提供卓越用户体验的分步过程。
什么是Llama 3？
https://img-blog.csdnimg.cn/img_convert/3274a171acd0f02c8f10c116d37eac2f.png
Llama 3 是由 Meta AI 开发的开始进的语言模型，擅长理解和生成类似人类的文本。
[*] 凭借其令人印象深刻的自然语言处理能力，Llama 3 可以理解复杂的查询、提供正确的响应并到场与上下文相关的对话。
[*] 它能够处理广泛的主题和处理服从，使其成为构建智能应用步调的理想选择。
[*] 想测试Llama 3的威力吗？立即与 Anakin AI 谈天！（它支持任何可用的 AI 模型！
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联合以提高问答体系性能的技术。
[*] 简朴来说，RAG 允许 AI 模型从知识库或文档中检索相关信息，并利用该信息对用户查询生成更正确和上下文适当的响应。
[*] 通过利用检索和生成的强大功能，RAG 能够创建智能谈天机器人和问答应用步调，为用户提供高度相关和信息丰富的响应。
[*] 对于想要在没有编码履历的情况下运行 RAG 体系的用户，您可以实验 Anakin AI，在那里您可以利用 No Code Builder 创建很棒的 AI 应用步调！
https://img-blog.csdnimg.cn/img_convert/bb4c447acbe5e8f4e8139964c8227722.jpeg
运行当地 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下令来安装所需的库：
pip install streamlit ollama langchain langchain_community
利用 Llama-3 在当地运行您自己的 RAG 应用步调的分步指南
第 1 步：设置 Streamlit 应用步调
首先，让我们设置 Streamlit 应用步调的根本结构。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]