山西成宁做的网站,php 网站部署后乱码,中国建筑网官网平台,在百度备案网站大模型实战一、OllamaRagFlow 部署本地知识库
参考你提供的文章#xff0c;这里是基于 Windows 系统通过 Docker 安装部署 RagFlow 和 Ollama 的本地化大模型知识库的详细教程。本文将指导你如何在 Windows 上使用 Docker 来设置 RagFlow 和 Ollama 环境#xff0c;并安装通…大模型实战一、OllamaRagFlow 部署本地知识库
参考你提供的文章这里是基于 Windows 系统通过 Docker 安装部署 RagFlow 和 Ollama 的本地化大模型知识库的详细教程。本文将指导你如何在 Windows 上使用 Docker 来设置 RagFlow 和 Ollama 环境并安装通义千问2 7B大模型和支持中文的 Embedding 模型。
在 Windows 上通过 Docker 安装和部署 RagFlow 和 Ollama
1. 环境准备
确保你的系统满足以下条件
Windows 10 或更高版本Docker Desktop 已安装并启用 WSL 2 后端
1.1 安装 Docker Desktop
如果你还没有安装 Docker Desktop请按照以下步骤进行安装
下载 Docker DesktopDocker Desktop 官网运行安装程序按照提示完成安装。启用 WSL 2 后端 打开 Docker Desktop进入 Settings General勾选 “Use the WSL 2 based engine”。确保已安装并启用了 WSL 2。可以参考 微软官方指南 来完成 WSL 2 的安装和启用。
1.2 启动 Docker Desktop
安装完成后启动 Docker Desktop确保 Docker 正常运行。可以通过命令行验证 Docker 版本来确认安装成功
docker --version2. 安装 RagFlow 和 Ollama
RagFlow 和 Ollama 是用于管理和部署大模型知识库的关键工具。
2.1 拉取 Ollama 镜像
Ollama 是一个专注于大语言模型管理的工具使用 Docker 容器来运行模型。 在终端中运行以下命令来拉取 Ollama 镜像 docker pull ollama/ollama运行 Ollama 容器 docker run --rm -it --name ollama-cli ollama/ollama:latest2.2 安装 RagFlow
RagFlow 是一个用于构建和管理信息检索生成流的工具。我们可以使用 Docker 容器来安装 RagFlow。 拉取 RagFlow 镜像 docker pull ragflow/ragflow:latest运行 RagFlow 容器 docker run --rm -it --name ragflow-cli ragflow/ragflow:latest3. 安装通义千问2 7B 模型
通义千问2 7B 是一个中文语言模型可以用于构建本地化知识库。
3.1 下载并安装通义千问2 7B 模型 使用 Ollama CLI 来下载通义千问2 7B 模型 ollama pull tongyi/qwen-7b-chat这将下载并准备模型以便于后续使用。
3.2 运行模型容器 使用 Ollama 运行通义千问2 7B 模型 docker run --rm -it --name qwen-7b-chat ollama/tongyi-qwen-7b-chat你可以通过指定模型参数和配置来调整模型的运行行为。
4. 设置支持中文的 Embedding 模型
为了使 RagFlow 能够处理中文文本并进行向量化我们需要安装一个支持中文的 Embedding 模型例如 m3e-base。
4.1 安装 transformers 和 sentence-transformers 库 创建一个 Docker 容器来安装和运行 Python 及相关库 docker run --rm -it --name embedding-env python:3.8-slim bash在容器内部安装所需的库 pip install transformers sentence-transformers4.2 下载和加载 Embedding 模型
我们可以使用以下 Python 代码来加载 m3e-base 模型
from sentence_transformers import SentenceTransformer# 加载中文嵌入模型
embedding_model SentenceTransformer(moka-ai/m3e-base)你可以将上述代码保存为脚本并在 Docker 容器中执行它。
5. 整合 RagFlow 和 Ollama构建本地知识库
现在我们可以通过 RagFlow 和 Ollama 集成来构建一个本地化知识库系统。
5.1 初始化 RagFlow 项目
在 Docker 容器中初始化一个新的 RagFlow 项目
docker exec -it ragflow-cli ragflow init my-local-knowledgebase
cd my-local-knowledgebase5.2 添加中文 Embedding 和模型配置
编辑 config.yml 文件配置 RagFlow 使用 Ollama 模型和中文嵌入
embedding:model: moka-ai/m3e-baseretriever:type: localindex_path: ./indexmodel:type: ollamamodel_name: tongyi/qwen-7b-chatcontainer_engine: docker5.3 构建知识库索引
将你希望添加到知识库的中文文档或文本进行索引。假设我们有一些中文文档放在 data/ 目录中
docker exec -it ragflow-cli ragflow index --data-dir ./data5.4 运行知识库查询服务
使用 RagFlow 启动查询服务
docker exec -it ragflow-cli ragflow serve你现在可以通过 REST API 或命令行工具查询本地化的中文知识库。
6. 测试部署
通过命令行或 HTTP 请求测试你的本地化知识库
curl -X POST http://localhost:8000/query -H Content-Type: application/json -d {query: 通义千问2的主要功能是什么}7. 完成部署和调优
根据实际需求进一步调优模型和检索配置添加更多的自定义功能和业务逻辑。
总结
通过以上步骤你已经成功在 Windows 系统上通过 Docker 部署了一个本地化的大模型知识库结合 RagFlow 和 Ollama安装了通义千问2 7B 模型和中文 Embedding 模型构建了一个支持中文问答的系统。这种设置适用于企业内部知识管理、自动化客服、智能问答等场景。
