本地部署运行大模型

随着近两年大语言模型 (LLM) 的快速发展，人们的关注度和使用频率越来越高。然而，大多数 LLM 由大型科技公司掌控，并以云服务的形式提供，这限制了开发者和研究人员对其进行探索和定制的自由度。虽然有很多开源模型出现了，但是本地复杂的系统环境让本地部署存在各种坑。

Ollama 项目的出现为这一现状带来了改变，它提供了一个开源的 LLM 解决方案，屏蔽了各种不同的运行环境，让用户可以便捷地在本地部署和使用强大的语言模型。在本地部署LLM后，可以借助本地模型进行各种折腾。并且由于运行在本地，不再需要科学上网，也可以保证数据的安全性。

Ollama 简介

Ollama 是一个开源项目，旨在提供易于使用的 LLM 本地部署方案。该项目并提供了多种开源LLM模型的权重、推理代码和微调脚本等资源，让用户能够轻松地运行和定制 LLM。借助Ollama，我们可以在本地轻松安装运行开源的LLM模型，尤其是对于使用Mac设备的玩家来说，使用Ollama下载运行LLM可以免去各种模型的环境配置（自己配置环境是各种泪呀，mac环境中泪更多），并且可以直接在Mac的CPU中运行LLM（虽然有点慢，但总归是能跑起来呀）。

Ollama也集成了 OpenAI 接口的兼容，方便大家利用此前与 OpenAI 的集成任何包来与 Ollama 进行交互。使用示例可以参考官方博客： ollama.com/blog/openai…。

官方还提供了类似 GitHub，DockerHub 似的模型托管Hub，可理解为 ModelHub，用于存放大模型 (有 llama 2，mistral，qwen 等模型，同时你也可以自定义模型上传到仓库里来给别人使用)。

硬件要求

运行大模型需要很高的机器配置，个人玩家的大多数都负担不起，毕竟大模型需要极高的GPU性能。

下面这个是Ollama对运行各种模型的RAM要求：

注意：您应该至少有 8 GB 可用 RAM 来运行 7B 型号，16 GB 来运行 13B 型号，32 GB 来运行 33B 型号。

我的Mac的配置是16G RAM，intel CPU，为了运行的快一些，我在Ollama中选择了7B的qwen模型。毕竟本文的目的是介绍在本地运行LLM的流程和体验，不会注重性能，所以可以选择低一些参数的LLM（Mac跑LLM只能使用CPU，是真跑不动呀）。

安装

官方下载地址：ollama.com/download，选择操作系统对应的版本下载安装即可。

当安装完成ollama之后，我们可以通过在控制台执行如下命令来判断ollama是否安装成功：

arduino
复制代码
curl localhost:11434 // 命令
Ollama is running //控制台输出

同时，该项目还支持 docker 一键部署，mac中cpu执行的命令如下。

bash
复制代码
docker run -d -v ollama:/root/.ollama -p 11434:11434 --name ollama ollama/ollama

安装模型

当安装完成ollama之后，我们就可以在命令行中运行如下命令安装运行模型：

arduino
复制代码
ollama run [model name]

其中[model name]就是你想运行的本地大模型的名称，如果你不知道应该选择哪个模型，可以通过model library进行查看。

这里我们选择qwen 7B模型来进行演示。当运行下面的命令时，如果本地没有qwen:7b模型，则会先下载模型再运行。首次运行启动可能略慢，考验电脑性能的时刻到了。

arduino
复制代码
ollama run qwen:7b 

模型运行之后，会默认进入到交互状态，你可以按下 Ctrl + D 退出交互，但此时模型并不会退出，仍旧可以正常通过 Api 接口交互。

使用客户端与Ollama交互

随着LLM的火热，产生了一大批与LLM交互的前端优秀开源项目，例如lobe-chat、open-webui和ChatGPT-Next-Web，这些项目现在也支持本地运行的ollama api的交互方式。

open-webui以前称为 Ollama WebUI，看这个名字就知道渊源很深。下文我们就使用open-webui项目与后台启动的ollama模型进行交互体验。

安装

在官方文档中提供了两种在docker中安装open-webui的方式：

• ollama和open-webui一起安装
• 仅安装open-webui

由于我们已经安装了ollama，所以这里只需要安装open-webui即可命令如下：

• kotlin
  复制代码
  docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main
  

使用

1. 首先访问如下网址

   bash
   复制代码
   http://localhost:3000/auth/
   

当你打开这个页面的时候，会让你登陆，这个时候我们随便使用一个邮箱注册一个账号即可。

注：第一次输入的注册账号是管理员账号，要记下来，以后再次注册的账号需要管理员账号同意处理。

2. 在交互页面体验对话

   

在对话页面右侧的对话区域选择模型后，可以在输入框输入对话就行交互，和使用chatgpt类似。

还可以体验简单的RAG能力，让LLM参考上传的文档内容来回答问题。

比如我在test.md文本中只输入以下文本

复制代码
我是小明，吃了没？

然后再次提问"你是谁"，可以看到LLM使用了上传的文档内容进行回答。

这就是简单的RAG功能的初体验了。

本地搭建chatgpt 3.5的代理

上面只是简单的体验了与本地运行的7B的小模型进行对话。但是小模型的参数有限，很多对话没法达到类似于chatgpt的良好体验。

如果想要通过api访问openai的api，需要注册openai账号才能获取api密钥，免费注册的openai账号获取的密钥只有几个月的有效期。如果想在本地体验一个新功能想要使用openai的api时，会有很多限制。

近日（4月1日），OpenAI 开放了他们的chatgpt 3.5的免登录使用的功能。可以在chatgpt官网不用登录就可以体验chatgpt的对话功能了。通过这个开放，我们也可以在本地免登录直接请求chatgpt 3.5的api了，不用再像以前一样，想要使用chatgpt api的话，必须获取和设置openai的sk。虽然还需要科学上网，但是能够满足我们在本地demo中通过api 使用chatgpt的大模型进行一些功能的体验。

安装

FreeGPT35开源项目中封装了利用免登录 ChatGPT Web 提供的无限制免费 GPT-3.5-Turbo API 服务的方式。我们可以将项目中的代理服务部署到docker中，然后在前端页面中请求代理服务，或者直接请求代理的api。

项目中介绍了多种部署方式（Node、Docker、 Docker Compose），在此我们使用Docker Compose的方式，并且同时安装ChatGPT-Next-Web的前端页面调用freegpt35服务接口来体验交互。

bash
复制代码
mkdir freegpt35 && cd freegpt35
wget -O compose.yaml https://raw.githubusercontent.com/missuo/FreeGPT35/main/compose_with_next_chat.yaml
docker compose up -d

使用上面的命令安装之后，在docker中会部署以下两个容器：

体验

在浏览器打开http://localhost:3000/链接，进入NextChat前端页面中。会有以下提示词，提示设置OpenAI API Key。

点击左下角设置，选择自定义接口，设置接口地址为 http://localhost:3040。设置这个ip是因为在docker中已经将freegpt35服务映射为本地宿主机器的3040端口。

返回聊天页面后，开始体验与chatgpt聊天吧。

以上介绍的代理gpt3.5接口的免登录访问api的方式，也可以直接使用。

总结

本文介绍了使用ollama在本地部署大模型，通过本地部署的客户端与大模型交互，并且简单体验了RAG。最后简单介绍了在本地搭建chatgpt 3.5的代理，可以免密钥的方式访问openai的api。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取==🆓