看到CodeGPT支持ollama,于是就想尝试用Ollama + CodeGPT构建私有环境的开发助手。先在VS Code上安装CodeGPT,发现果然有ollama选项。
可是看了文档:Ollama | CodeGPT,又亲自测试了发现只能调用local的ollama。支持的模型包括:
Ollama Models available in Code GPT
- gemma.7b
- gemma:2b
- llama2
- codellama
- command-r
- phi
- mistral
- mixtral
- deepseek-coder
- starcoder2
- dolphinecoder
- dolphin-mixtral
- starling-lm
- llama2-uncensored
尝试ollama服务
因为我本机GPU是MX250,性能很差,而且我已经在GPU服务器上部署了ollama,具体参考:
北方的郎:Linux上部署Ollama,启动Mistral-7B及Gemma-7B服务,测试效果
所以希望能用ollama服务,于是我又看了一下其他链接,想看看能否用仿openai服务进行接入,可是发现其他大部分的选项都只有key的输入,url都是默认的。不过有个custom选项可以输入url
不过只有url,而不论ollama、vLLM都需要输入model,试了一下把模型放在url里面,用curl试的时候就报错。于是想到了用代理。用python+flask写了一个简单的程序:
from flask import Flask, request, jsonify
import json
import requests
app = Flask(__name__)
@app.route('/proxy/<model>', methods=['POST'])
def proxy(model):
url = "http://127.0.0.1:11434"
message = request.json.get('message')
print(message)
print(model)
if message:
ollama_url = f"{url}/api/chat"
print(ollama_url)
payload = {
"model": model,
"messages": [{"role": "user", "content": message}]
}
response = requests.post(ollama_url, json=payload)
print(response)
response_content = ""
for line in response.iter_lines():
if line:
response_content += json.loads(line)["message"]["content"]
print(response_content)
#return jsonify({"choices": [{"text": response_content}]})
return jsonify({"choices": [{"message": {"content": response_content}}]})
return jsonify({"error": "Missing message parameter"}), 400
if __name__ == '__main__':
app.run(debug=True, port=5050, host='0.0.0.0')
用程序调用:
import requests
import json
def send_message_to_ollama(message, port=11434):
url = "http://172.30.0.99:5050/proxy/codegemma:7b-instruct-q6_K"
payload = {
"message": message
}
response = requests.post(url, json=payload)
return response
返回类似openai api的返回。可是用在CodeGPT上还是连接失败。
暂时折腾到这了。先用gpt-3.5-turbo,后续再看怎么模拟服务。
安装本机ollama+codellama
还是准备试一下本机ollama的效果,windows安装本机ollama直接下载安装包即可:
地址:
https://github.com/ollama/ollama?tab=readme-ov-file, 下载的文件:
安装后打开powershell,直接就可以运行ollama了,开始下载codellama。
本机为Thinpad T490,用ollama跑7B, int4的codellama,肯定都是跑在CPU上的,正好看看ollama在CPU上的加速效果。下载完后,问了几个问题,说实话速度比想象得快:
打开vs code,配置CodeGPT:
测试效果:
代码效果不错,就是速度还是稍微有点慢,不过也不是不可忍受。看了一下nvidia-smi:
果然都是跑在了CPU上。不过我这MX250不是还有2G显存嘛。用起来。
ollama run gemma:2b
这速度就快多了,看了一下,的确跑在了GPU上
设置CodeGPT:
简单代码也能写一点:
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。
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。