文章目录
- 一、Streamlit介绍
- 二、模型下载
- [三 、模型部署](#三 、模型部署)
- 四、效果展示
一、Streamlit介绍
Streamlit 是一个开源的 Python 库，专门用于快速构建和部署交互式 Web 应用程序，尤其适合数据科学和机器学习领域。以下是关于 Streamlit 的详细介绍：
核心功能
快速开发
Streamlit 允许开发者通过简单的 Python 脚本创建交互式应用，无需编写复杂的前端代码。例如，可以轻松显示文本、数据表格、图表，并添加用户交互控件。
数据可视化
Streamlit 支持多种数据可视化方式，包括与 Pandas、Matplotlib、Plotly 等库集成，能够快速展示数据和图表。
用户交互
提供了丰富的控件（如滑块、下拉菜单、输入框等），用户可以通过这些控件与应用进行交互。
布局管理
支持分栏、选项卡等布局方式，方便组织页面内容。
文件上传与处理
用户可以上传文件（如 CSV 文件），Streamlit 可以读取并处理这些文件。
多页面应用
Streamlit 支持通过 st.navigation 和 st.Page 创建多页面应用。
二、模型下载
python
#模型下载
from modelscope import snapshot_download
model_dir = snapshot_download('deepseek-ai/DeepSeek-R1-Distill-Llama-70B')
三 、模型部署
使用huggingface接口并使用llamaindex的rag功能，增加本地知识库。
document加载本地知识库，query_engine开启单轮对话引擎，chat_engine开启多轮对话引擎。
python
import streamlit as st
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings
from llama_index.embeddings.huggingface import HuggingFaceEmbedding
from llama_index.llms.huggingface import HuggingFaceLLM
st.set_page_config(page_title="AI小助手", page_icon="🦜🔗")
st.title("AI小助手")
# 初始化模型
@st.cache_resource
def init_models():
embed_model = HuggingFaceEmbedding(
model_name="/mnt/ollama/deepseek/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2"
)
Settings.embed_model = embed_model
llm = HuggingFaceLLM(
model_name="/mnt/ollama/deepseek/DeepSeek-R1-Distill-Llama-70B",
tokenizer_name="/mnt/ollama/deepseek/DeepSeek-R1-Distill-Llama-70B",
model_kwargs={"trust_remote_code": True},
tokenizer_kwargs={"trust_remote_code": True}
)
Settings.llm = llm
#documents = SimpleDirectoryReader(input_files=["/home/defaultuser/soft/README_zh-CN.md"]).load_data()
documents = SimpleDirectoryReader(input_files=["/root/data/jianguang.txt"]).load_data()
index = VectorStoreIndex.from_documents(documents)
query_engine = index.as_query_engine()
return query_engine
# 检查是否需要初始化模型
if 'query_engine' not in st.session_state:
st.session_state['query_engine'] = init_models()
def greet2(question):
response = st.session_state['query_engine'].query(question)
return response
# Store LLM generated responses
if "messages" not in st.session_state.keys():
st.session_state.messages = [{"role": "assistant", "content": "你好，我是AI助手，有什么我可以帮助你的吗？"}]
# Display or clear chat messages
for message in st.session_state.messages:
with st.chat_message(message["role"]):
st.write(message["content"])
def clear_chat_history():
st.session_state.messages = [{"role": "assistant", "content": "你好，我是AI小助手，有什么我可以帮助你的吗？"}]
st.sidebar.button('Clear Chat History', on_click=clear_chat_history)
# Function for generating LLaMA2 response
def generate_llama_index_response(prompt_input):
return greet2(prompt_input)
# User-provided prompt
if prompt := st.chat_input():
st.session_state.messages.append({"role": "user", "content": prompt})
with st.chat_message("user"):
st.write(prompt)
# Gegenerate_llama_index_response last message is not from assistant
if st.session_state.messages[-1]["role"] != "assistant":
with st.chat_message("assistant"):
with st.spinner("Thinking..."):
response = generate_llama_index_response(prompt)
placeholder = st.empty()
placeholder.markdown(response)
message = {"role": "assistant", "content": response}
st.session_state.messages.append(message)四、效果展示
安装streamlit库，run上面代码
启动了三个URL,可以根据自己情况访问。
默认的话，是localhost,直接点击右边。open in brower。
然后就可以开启对话模式。