手把手系列 ｜ 利用Milvus、Llama 3、Ollama、LangChain当地设置RAG应用 ...

  随着 Llama、Mistral、Gemma 等开源大语言模子（LLM）的出现，我们越来越能感受到 LLM 的气力，而当地运行基于 LLM 的 RAG 应用的需求越来越强烈。在将应用推至生产情况前，我们往往都需要先当地运行和测试。
  因此，本文将先容如何利用 Ollama、Llama 3 和 Milvus 向量数据库在当地摆设一个检索增强生成（RAG）应用。
  本文将利用到的软件和工具包括：
  

• LangChain：用于创建代理，实现与数据的互动。
  
• Ollama：在笔记本电脑中利用 LLM 的强大功能，简化当地操作。
  
• Milvus：向量数据库用于高效存储和检索数据。
  
• Llama 3：由 Meta 推出的大语言模子，Llama 系列的最新版本。
  

  01.

  问答与检索增强生成（RAG）
  本文中，我们将利用 RAG 技术搭建一个高级的问答机器人。
  02.

  什么是 RAG？
  RAG，即检索增强生成，是一种通过整合外部数据源来增强大语言模子（LLM）的技术。一个典范的 RAG 应用包括：

  

• 索引流水线（Pipeline）：用于从外部数据源中摄取数据并对其举行索引，随后加载、拆分并将数据存储在 Milvus 中。
  
• 检索和生成：将用户查询转换为 Embedding 向量，然后从 Milvus 中检索相干数据形成上下文，然后 LLM 上下文生成响应。
  

  文本将提供实用的操作引导，向您展示如何利用当地 LLM 构建 RAG 应用。欢迎初学者跟随本指南开始构建自己的问答机器人！
  03.

  条件条件
  开始前，请先确保您已安装：

  

• Docker 和 Docker-Compose
  
• Milvus  standalone
  
• Ollama
  

  04.

  设置 RAG 应用
  如今开始设置 RAG 应用 ：
  

• 通过下令 docker-compose up -d 启动 Milvus standalone 实例。该下令将以 Docker 分离（detached）模式启动您的 Milvus 实例，在配景安静运行。
  
• 通过下令 ollama pull <模子名称> （比方 ollama pull llama3）获取 LLM 模子。点击此处查察可用模子列表。该下令将下载模子的默认版本（通常是最新且最小的版本）。
  
• 通过下令 ollama run <模子名称> 要直接与模子举行交互。
  

  05.

  安装依靠
  您还需要安装所需的依靠库。假如您直接利用 Github 上的代码，可以利用 Poetry，大概您也可以利用 pip 举行安装。

1. pip install langchain pymilvus ollama pypdf langchainhub langchain-community langchain-experimental

复制代码

06.

  搭建并运行 RAG 应用
  如前文所述，RAG 应用中的重要组成部分就是数据索引。
  

• 利用 PyPDFLoader 导入 PDF 数据。
  

1. from langchain_community.document_loaders import PyPDFLoader
2. loader = PyPDFLoader(
3. "https://d18rn0p25nwr6d.cloudfront.net/CIK-0001813756/975b3e9b-268e-4798-a9e4-2a9a7c92dc10.pdf"
4. )
5. data = loader.load()

复制代码

• 切分数据
  

  利用 RecursiveCharacterTextSplitter 将已加载数据切分为切片。

1. from langchain.text_splitter import RecursiveCharacterTextSplitter
2. text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=0)
3. all_splits = text_splitter.split_documents(data)

复制代码

• 利用 Jina 的 Small English embeddings 将文本数据转换为 Embedding 向量并存储在 Milvus 中。
  

1. from langchain_community.embeddings.jina import JinaEmbeddings
2. from langchain.vectorstores.milvus import Milvus
3. embeddings = JinaEmbeddings(jina_api_key=JINA_AI_API_KEY, model_name="jina-embeddings-v2-small-en"
4. )
5. vector_store = Milvus.from_documents(documents=all_splits, embedding=embeddings)

复制代码

4. 利用 Ollama 轻松在当地加载 LLM（本示例中利用 Meta 的 Llama 3）。

1. from langchain_community.llms import Ollama
2. from langchain.callbacks.manager import CallbackManager
3. from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler
4. llm = Ollama(
5. model="llama3",
6. callback_manager=CallbackManager([StreamingStdOutCallbackHandler()]
7. ),
8. stop=["<|eot_id|>"],
9. )

复制代码

5. 利用 Langchain 搭建问答机器人。构建问答链来处理和响应用户查询。

1. from langchain import hub
2. from langchain.chains import RetrievalQA
3. query = input("\nQuery: ")
4. prompt = hub.pull("rlm/rag-prompt")   
7. qa_chain = RetrievalQA.from_chain_type(
8.     llm, retriever=vectorstore.as_retriever(), chain_type_kwargs={"prompt": prompt}
9. )
10. result = qa_chain({"query": query})
11. print(result)

复制代码

‍
  07.
  运行 RAG 应用
  通过下令 python rag_ollama.py 运行 RAG 应用。
  以下为回答示例：

1. Query: What is this document about?
2. The document appears to be a 104 Cover Page Interactive Data File for an SEC filing. It contains information about the company's financial statements and certifications.{'query': 'What is this document about?', 'result': "The document appears to be a 104 Cover Page Interactive Data File for an SEC filing. It contains information about the company's financial statements and certifications."}

复制代码

我们已成功利用 Ollama、Llama 3、Langchain 和 Milvus 搭建了一个复杂的问答机器人。我们搭建的不应用不但可以高效处理大规模数据集，还能够在当地针对用户标题举行回答。

  欢迎相识 Milvus 及其 GitHub 代码仓库，并通过微信群交流分享 Milvus 利用履历！
  相干链接：

  

• Milvus  standalone：
  https://milvus.io/docs/install_standalone-docker-compose.md
  
• Ollama 可用模子列表：
  https://ollama.com/library
  

  

推荐阅读

  

  

  

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。