本地部署私人知识库的大模型！Llama 3 + RAG +大模型开源教程「动手学大模 ...

在今天的的教程中，我们将打造更加个性化的大模型，可以定制搭载私人知识库的本地大模型！
我们探讨Meta AI 的尖端 Llama 3 语言模型构建强盛的检索增强天生 （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程序，允许用户与网页举行交互式对话，检索定制化、私人知识库的相关信息并天生对用户查询的正确相应。在本教程中，我们将深入探讨设置开辟情况、加载和处置惩罚网页数据、创建嵌入和向量存储以及实现 RAG 链以提供杰出用户体验的分步过程。
什么是Llama 3？

Llama 3 是由 Meta AI 开辟的最先进的语言模型，善于理解和天生类似人类的文本。

• 依附其令人印象深刻的自然语言处置惩罚能力，Llama 3 可以理解复杂的查询、提供正确的相应并到场与上下文相关的对话。
  
• 它可以或许处置惩罚广泛的主题和处置惩罚效率，使其成为构建智能应用程序的理想选择。
  
• 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 模型！
  

什么是RAG？
检索增强天生 （RAG） 是一种将信息检索和语言天生相结合以进步问答体系性能的技术。

• 简单来说，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天生更正确和上下文适当的相应。
  
• 通过利用检索和天生的强盛功能，RAG 可以或许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经验的情况下运行 RAG 体系的用户，您可以尝试 Anakin AI，在那里您可以利用 No Code Builder 创建很棒的 AI 应用程序！
  

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：

1. pip install streamlit ollama langchain langchain_community

复制代码

利用 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

首先，让我们设置 Streamlit 应用程序的基本结构。创建一个名为 app.py 的新 Python 文件，并添加以下代码：
[code]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