【LLM大模型】AI小白使用Macbook Pro安装llama3与langchain初体验

1. 背景

AI爆火了2年有余，但我仍是一个AI小白，最近零星在学，随手记录点内容供自己复习。

上次在Macbook Pro上安装了Stable Diffusion，体验了本地所心所欲地生成各种心仪的图片，完全没有任何限制的惬意。今天想使用Macbook Pro安装一个本地大语言模型体验一下，刚好在2024年4月18日，Meta在官网上宣布公布了旗下最新大模型Llama 3，并开放了80亿（8b）和700亿（70b）两个小参数版本，据说能力显著提升。遂开干。

• 为什么部署本地大模型

• • 学习方便，私有材料不用发给外网，可以为公司私有化部署积累经验。
  • 省钱，不需要单独买云主机，电脑放家里闲着也是闲着。

• 为什么选择llama3

• • 最新款。科技这东西，用新不用旧。
  • Meta出品，大厂品质有保证。

• 这是本次用到的技术框架

2. 环境

硬件：

型号：macbook pro 14寸

CPU：M2 MAX （12+38）

内存：96G

硬盘：8T

操作系统：maxOS 14.3.1

软件：

python 3.11

conda 24.3.0

llama3 8B 和 70B

3. 安装llama3

登录官网：github.com/ollama/olla…

下载安装包：ollama.com/download/Ol…

解压后运行：Ollama，初始化环境。

先体验8B模型，在命令行窗口运行(第一次运行会下载并安装模型)：

arduino
复制代码
ollama run llama3

安装完成后，输出提示“end a message (/? for help)，可以随便输入信息。

对中文支持还不错。

4. 使用langchain完成简单的RAG

上面对广州的介绍输出非常简单，如果想使用自己语料库来完成，比如公司内部有自己的知识库，需要结合公司的知识库来回答问题，那就可以试试langchain。

简单地说，langchain 是一个帮助在应用程序中使用大型语言模型（LLM）的编程框架，可极大简化对LLM的调用。

详细介绍可参考官方文档：python.langchain.com/docs/get_st…。

快速开始：python.langchain.com/docs/get_st…。

安装：

r
复制代码
conda install langchain -c conda-forge

报错：“Verifying transaction: / WARNING conda.core.path_actions:verify(1055): Unable to create environments file. Path not writable.”

说明没有写权限，把对应文件owner修改为当前登录用户：

bash
复制代码
sudo chown -R $USER ~/.conda

为了方便，使用PyCharm来写测试文件。

上面使用conda安装langchain的环境，所以新建项目的环境选择“Select existing”，再选择conda。

写一个python文件测试：

ini
复制代码
from langchain_community.llms import Ollama

llm = Ollama(model="llama3")
response = llm.invoke("使用中文介绍一下广州")
print(response)

报错，提示要安装llama2，根据提示修改文件“/opt/homebrew/anaconda3/lib/python3.11/site-packages/langchain_community/embeddings/ollama.py”，使用llama3替换：

ini
复制代码
#model: str = "llama2"
model: str = "llama3"

再次报错，提示要安装faiss，使用命令行安装：

复制代码
pip install faiss-cpu

终于跑成功，输出如下：

换成百度百科的语料，python文件如下：

ini
复制代码
from langchain_community.llms import Ollama
from langchain_core.prompts import ChatPromptTemplate
from langchain_community.embeddings import OllamaEmbeddings
from langchain_community.document_loaders import WebBaseLoader
from langchain_community.vectorstores import FAISS
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain.chains import create_retrieval_chain

#加载文件
loader = WebBaseLoader("https://baike.baidu.com/item/%E5%B9%BF%E5%B7%9E%E5%B8%82/21808?fromtitle=%E5%B9%BF%E5%B7%9E&fromid=72101&fr=aladdin")
page_context = loader.load()
#分词
text_splitter = RecursiveCharacterTextSplitter()
split_documents = text_splitter.split_documents(page_context)

embeddings = OllamaEmbeddings()

#保存到向量库
vector = FAISS.from_documents(split_documents, embeddings)
retriever = vector.as_retriever()

#提示词模板
prompt = ChatPromptTemplate.from_template("""Answer question based on the provided context:
<context>{context}</context>
Question: {input}""")

#加载模型
llm = Ollama(model="llama3")
document_chain = create_stuff_documents_chain(llm, prompt)

retrieval_chain = create_retrieval_chain(retriever, document_chain)
response = retrieval_chain.invoke({"input": "使用中文介绍广州"})
print(response["answer"])

输出如下，可以看出输出的内容部分使用了百度百科最新的数据：

如果把提示词修改一下：“Answer question only based on the provided context”，就是里面加上限定词“only”，输出就只有百度百科的内容，如下：

5. 测试llama3 70b

如果内存足够大，可以选择安装70b模型。70b与8b的区别我现在只知道参数一个多一个少，对硬件要求不同，具体能力区别，还得后面去学习验证。

安装：

arduino
复制代码
ollama run llama3:70b

70b模型安装文件达到了39G多，而8b模型文件是4.7G。

安装完成后，使用命令行测试，输出：

70b模型通过langchain无专属语料输出：

通过对比，在不使用专属语料库的情况下，70b模型比8b模型输出内容更为丰富。

70b模型通过langchain使用专属语料输出：

通过对比，使用专属语料库的情况下，70b模型和8b模型输出内容看不出明显差异。

6. 机器消耗

跑问题时，CPU基本空转，内存跑到64G，GPU打满，风扇呼呼响。

不跑问题时，内存在27G，GPU和CPU负载都很低，风扇不转。

7. 小结

Macbook pro 跑大模型在网上经常被人笑话，不过自己安装玩一玩，学一学，还是不错的，反正我自己用得挺好的。有空的时候再去云平台搞台N卡的机器试试，看到有些云主机平台还有免费试用3个月的带显卡的AI专用虚机供申请，过几天去薅羊毛看看效果。

这也是我第一次写python，果然比java方便。

最后，支付公司都有各种各样的技术文档，可以私有化部署LLM，再结合RAG，私有文档库，做成专有的专家知识库，不仅可以用于外部客户答疑，内部同学值班处理线上问题也是非常方便的。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​