5分钟本地部署各种大模型，还可以和langchain一起玩

想要 5 分钟部署自己的本地模型，是需要用到 Docker 的，除了 Docker，自己的硬件设备也是需要准备妥当，我自己测试的机器就是Mac book，然后配置是 m3 Pro，存储有 1 个 T，所以非常舒适的就本地跑起了 4 个大模型。基本上意味着，无需网络我就可以和大模型嗨起来了。

环境准备

• 硬件设备：推荐 MacBook m2 pro 以上，内存 32G 以上
• 软件设备：安装 Docker 就好了，下载地址：https://www.docker.com/products/docker-desktop/

需要借助的开源库如下：

https://github.com/ollama/ollama 这个可以管理大模型，只要下载就可以在本地跑起来，不过是一个命令行的，因此为了简单期间，我们需要使用一个 WebUI 来配合使用，他就是：

https://github.com/open-webui/open-webui ，这个就是提供了一个 UI，可以非常方便的和 ollama 配合使用。

直接执行下面两个命令，就算完成了安装：

docker run -d -v ollama:/root/.ollama -p 11434:11434 --name ollama ollama/ollama
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

随后就可以看到这两个服务启动了，打开 http://localhost:3000/[1] ，就可以看到 Open WebUI

下载模型

我们通过 Connections 可以看到，Open WebUI 已经连接到ollama 服务了

随后就是去下载大模型了，ollama 管理支持的模型可以在这里看到 https://ollama.com/library，我们可以挑自己喜欢的下载。我这把gemma、llama2、mistral、mixtral 都安排上了

测试大模型

我选择 gemma 来测试一下大模型的输出速度，发现还是挺喜人的。

总结一下

本地跑大模型的成本越来越低了，而且不是说一定需要有 GPU 才可以跑，现在很多模型都是可以直接用 CPU 来跑的，区别是有 GPU 加持的话，推理速度会快很多，每分钟输出的 token 数也会多很多，而且现在在本地搭建大模型并且跑起来实在是太方便了。你机器上安装了 Docker 的话，直接无脑2个docker启动命令就可以搞定，完全傻瓜式的，极大了降低了小白探索大模型的难度。

如何云上部署？

独乐乐不如众乐乐？本地部署成功，意味着云上部署似乎也没有什么门槛，从云服务厂商那边购买性能差不多的云主机，然后安装上 Docker，同样的操作，执行两个命令就启动镜像了。

访问控制？

如果希望提供对外服务，可以增加一些反问控制，如基于 WebUI 打造一个会员体系，接入支付，提供订阅服务。

配合langchain？

langchain https://python.langchain.com/docs/get_started/introduction

可以说是一个基于大模型快速构建用用的框架，我们看到的很多大模型的应用都是基于langchain构建的

我们本地部署的大模型是基于 ollama管理的，配合langchain来使用也是非常方便，几乎无痛感。可以参考这篇文章 https://github.com/ollama/ollama/blob/main/docs/tutorials/langchainpy.md

下面是一个demo：

​

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，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V扫描下方二维码免费领取🆓

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI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。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

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
    - L2.2.1 什么是Prompt
    - L2.2.2 Prompt框架应用现状
    - L2.2.3 基于GPTAS的Prompt框架
    - L2.2.4 Prompt框架与Thought
    - L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
    - L2.3.1 流水线工程的概念
    - L2.3.2 流水线工程的优点
    - L2.3.3 流水线工程的应用
  • 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
    - L3.1.1 Agent模型框架的设计理念
    - L3.1.2 Agent模型框架的核心组件
    - L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
    - L3.2.1 MetaGPT的基本概念
    - L3.2.2 MetaGPT的工作原理
    - L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
    - L3.3.1 ChatGLM的特点
    - L3.3.2 ChatGLM的开发环境
    - L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
    - L3.4.1 LLAMA的特点
    - L3.4.2 LLAMA的开发环境
    - L3.4.3 LLAMA的使用示例
  • 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

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的大模型 LLM 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🆓