Ollama(本地部署大模型) + LobeChat(聊天界面) = 自己的ChatGPT

最新推荐文章于 2024-09-25 10:33:04 发布

爱喝白开水a

最新推荐文章于 2024-09-25 10:33:04 发布

阅读量1.0k

点赞数 9

文章标签： chatgpt langchain 人工智能大语言模型 ai大模型 LLM ollama

本文链接：https://blog.csdn.net/python123456_/article/details/140868107

版权

本篇文章将介绍如何部署一个本地大模型和部署一个前端界面程序实现一个自己的ChatGPT。

本地部署大模型

在本地部署大模型有多种方式，其中Ollama方式是最简单的，但是其也有一定的局限性，比如大模型没有其支持的GGUF二进制格式，就无法使用Ollama方式部署。

GGUF旨在实现快速加载和保存大语言模型，并易于阅读

Ollama 是一个用于部署和运行各种开源大模型的工具。用户通过执行几条命令就能在本地运行开源大模型，极大简化了大模型在本地运行，类似于Docker。

安装Ollama 【官方网站】

支持的操作系统： MacOS/Linux/Windows/Docker

第一步：安装(MacOS为例)

使用最简单的方式：使用brew install ollama安装。

第二种方式：下载安装包，下载对应操作系统的安装包直接安装即可，操作非常简单

第二步：验证(是否安装成功)

在Termial上输入ollama -v 命令，如果出现如下图，则说明安装成功

其它大模型本地部署框架

GPT4ALL

Github 链接/官方网站

gpt4all是一个免费使用、本地运行、具有隐私意识的聊天机器人，无需 GPU 或互联网。可以在任意地方运行大模型的框架

A free-to-use, locally running, privacy-aware chatbot. No GPU or internet required. run open-source LLMs anywhere

OpenLLM

GitHub链接

OpenLLM 是一个用于在生产环境中操作大型语言模型（LLM）的开放平台。它使开发人员能够轻松地运行任何开源LLM的推理，部署到云端或本地，并构建强大的AI应用程序。

安装大模型

第一步：从 Ollama 获取安装命令

已安装 llava 模型为例从 ollama.com/library 进去，输入llava进行搜索

说明：Ollama的运行会受到所使用模型大小的影响。留意个人电脑配置选择合适的模型

运行一个7B（70亿参数）的模型至少需要8GB的可用内存（RAM），而运行13B（130亿参数）的模型需要16GB内存，33B（330亿参数）的模型需要32GB的内存
需要考虑提供足够的磁盘空间，大模型的文件大小可能比较大，建议至少为Ollama和其模型预留50GB磁盘空间。
性能较高的CPU可以提供更好的运算速度和效率，多核处理器能够更好的处理并行任务，选择具有足够的核数的CPU
GPU，Ollama支持纯CPU运行，但可以利用GPU进行加速，提高模型的运行速度和性能。

第二步：执行安装命令

打开 Terminal 执行 ollama run llava:7b 命令至此成功在本地安装一个llava参数为7B的大模型，我们可以使用Spring AI 对接本地的大模型，再也不用担心Open AI Key的问题了。

部署LobeChat界面【官方网站】

LobeChat是现代化设计的开源 ChatGPT/LLMs 聊天应用与开发框架，支持语音合成、多模态、可扩展的插件系统。一键免费拥有你自己的 ChatGPT/Gemini/Claude/Ollama 应用。

LobeChat 支持多种平台的部署，我们选择最常用的Docker方式部署

第一步：Docker部署（本地已部署跳过该步）

Docker在不同平台上简单的安装命令，根据自己操作系统进行选择；

MacOS： brew install docker
CentOS： yum install docker
Ubuntu： apt install docker.io

第二步：Docker上部署LobeChat

打开 Terminal 终端执行如下Docker命令，仅限使用本地Ollama；

docker run -d -p 3210:3210 --name lobe-chat lobehub/lobe-chat

如果连接到远程大模型或者使用代理连接远程大模型，可以参考官方提供的Docker启动命令 lobehub.com/zh/docs/sel…. 我们进入 Docker Dashboard 看到如下图所示，证明LobeChat程序启动成功。

第三步：查看界面效果

输入 localhost:3210 界面如下；

第四步：配置LobeChat

当我们进去界面后，点击大脑图标，需要配置LobeChat使用的大模型。然后点击前往设置进入进行设置界面，如下图所示；

LobeChat支持很多大模型，我们选择Ollama
点击获取模型列表，获取安装在Ollama上的模型，我已经安装了四个了
模型列表选择上需要的模型，然后返回聊天界面，然后在点击大脑图标就有刚才配置的模型，选择需要使用的大模型。

至此已成功安装了LobeChat界面程序，然后测试聊天，如下所示；至此我们成功部署了属于自己的ChatGPT。

其它 UI 框架

除 LobeChat UI 框架外，还有一些比较优秀的框架，具体如下

Open WebUI

Github 链接

Open WebUI 是一个可扩展、功能丰富且用户友好的开源自托管 AI 界面，旨在完全离线运行。它支持各种 LLM 运行器，包括 Ollama 和 OpenAI 兼容的 API。

Enchanted

Github 链接

Enchanted 是一款专门为 MacOS/iOS/iPadOS 平台开发的应用程序，支持 Llama、Mistral、Vicuna、Starling 等多种私人托管模型。该应用致力于在苹果的全生态系统中为用户提供一个未经过滤、安全、保护隐私以及多模态的人工智能体验。

Chatbox

Github 链接

Chatbox 是一个老牌的跨平台开源客户端应用，基于 Tauri 开发，简洁易用。除了 Ollama 以外他还能够通过 API 提供另外几种流行大模型的支持。

NextJS Ollama LLM UI

Github 链接

NextJS Ollama LLM UI 是一款专为 Ollama 设计的极简主义用户界面。虽然关于本地部署的文档较为有限，但总体上安装过程并不复杂。该界面设计简洁美观，非常适合追求简约风格的用户。

总结

本篇文章介绍了本地大模型的部署和 LobeChat 界面的部署，成功在本地部署属于自己的ChatGPT。上面也只是关键步骤的说明，遇到问题多看下官方的安装文档。本文起到抛砖引玉作用。

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。

在这里插入图片描述