LlamaIndex+Ollama构建《劳动法》问答机器人

LlamaIndex+Ollama构建《劳动法》问答机器人

本文将一步一步引导大家如何使用LlamaIndex和Ollama构建一个针对《劳动法》的问答机器人。这个机器人能够理解并回答关于这本劳动法的各种问题。

Ollama安装

Ollama简介

Ollama 是一个强大的开源工具,用于在本地计算机上运行、管理和部署大型语言模型(LLMs)。它简化了下载和运行各种开源语言模型的过程,使开发者能够轻松地在本地环境中利用这些先进的AI技术。

核心特点

  1. 本地运行:所有模型都在你的设备上运行,无需依赖云服务,保护隐私和数据安全
  2. 跨平台支持:支持 macOS、Linux 和 Windows
  3. 模型管理:轻松下载、更新和管理不同版本的模型
  4. 简单易用:通过命令行界面提供直观的操作方式
  5. 丰富的模型库:支持 Llama、Qwen、Gemma、Phi等多种开源模型
  6. REST API:提供API接口,方便与其他应用集成

基础安装

Windows下载安装包安装即可,LinuxmacOS执行下面的脚本安装。

sh 复制代码
curl -fsSL https://ollama.com/install.sh | sh

安装完成后,执行下面命令,显示Ollama is running则表示安装成功。

sh 复制代码
curl localhost:11434

模型下载

sh 复制代码
# 下载问答模型
ollama pull qwen2.5:0.5b

# 下载Embedding模型
ollama pull bge-m3

Jupyter安装

sh 复制代码
# 安装jupyter
pip install jupyter
# 创建工作目录
mkdir workdata/jupyter -p && cd workdata/jupyter
# 运行jupyter
jupyter-lab .

知识库构建

下载文档

下载文档并将txt或者pdf文件移至工作目录下的/data目录。

sh 复制代码
mkdir workdata/jupyter/data && mv 劳动法.pdf workdata/jupyter/data

安装依赖库

ipynb 复制代码
!pip install llama-index ollama chromadb
!pip install llama-index-vector-stores-chroma llama-index-embeddings-ollama

加载文档

使用LlamaIndex核心库的SimpleDirectoryReader阅读器加载文档。

python 复制代码
from llama_index.core import SimpleDirectoryReader
documents = SimpleDirectoryReader('./data/').load_data()
documents

切分文档

使用LlamaIndex核心库节点解析模块的SentenceSplitter(按照句子切分)拆分模块来拆分文档。

python 复制代码
from llama_index.core.node_parser import SentenceSplitter

parser = SentenceSplitter(
    chunk_size=512,
    chunk_overlap=20
)

nodes = parser.get_nodes_from_documents(documents)
nodes
  • chunk_size: 分块大小,每个文本块的最大长度。
  • chunk_overlap: 分块重叠,相邻文本块的重叠部分大小,一般为10%-20%。

存储文档

python 复制代码
# 导入chroma向量库
import chromadb
# 导入OllamaEmbedding模块
from llama_index.embeddings.ollama import OllamaEmbedding
# 导入存储上下文&向量索引模块
from llama_index.core import StorageContext, VectorStoreIndex
# 导入Chroma的向量存储模块
from llama_index.vector_stores.chroma import ChromaVectorStore

# 向量库连接
chroma_client = chromadb.PersistentClient('./data/ldf_chroma_db')

# 创建集合(collection)
collection = chroma_client.create_collection('ldf')

# 实例化向量模型
embed_model = OllamaEmbedding(
    model_name='bge-m3'
)

# 实例化向量存储
vector_store = ChromaVectorStore(chroma_collection=collection)

# 实例化存储上下文
storage_context = StorageContext.from_defaults(vector_store=vector_store)

# 索引文档并存入向量库
index = VectorStoreIndex(
    nodes=nodes,
    storage_context=storage_context,
    embed_model=embed_model,
    show_progress=True
)

等待索引完成,到这里,我们已经完成的《劳动法》向量库的构建工作。

机器人构建

python 复制代码
import ollama
from typing import List

def retrieve_documents(query: str, top_k: int = 3) -> List[str]:
    """检索相关文档"""
    results = collection.query(
        query_embeddings=embed_model.get_query_embedding(query),
        n_results=top_k
    )
    return results['documents'][0]

def generate_answer(context: List[str], question: str) -> str:
    """生成回答"""
    context_str = "\n".join([f"[{i+1}] {doc}" for i, doc in enumerate(context)])
    
    prompt = f"""
    【系统指令】
    你是一个法律专家,请根据以下资料回答问题。
    
    【参考资料】
    {context_str}
    
    【用户问题】
    {question}
    
    【回答要求】
    1. 答案必须来自参考资料
    2. 保持客观准确
    3. 使用中文回答
    4. 不确定时回答"资料未提及"
    """
    
    response = ollama.generate(
        model="qwen2.5:0.5b",
        prompt=prompt,
        options={"temperature": 0.3}
    )
    return response['response']
    
def ask_rag(question: str) -> str:
    """基于知识库的RAG回答"""
    relevant_docs = retrieve_documents(question)
    print(relevant_docs)
    print('='*100)
    answer = generate_answer(relevant_docs, question)
    return answer

测试效果

......剩下的大家可以自己试试😁😁😁

相关推荐
jndingxin2 小时前
OpenCV CUDA模块设备层-----高效地计算两个 uint 类型值的带权重平均值
人工智能·opencv·计算机视觉
Sweet锦3 小时前
零基础保姆级本地化部署文心大模型4.5开源系列
人工智能·语言模型·文心一言
hie988943 小时前
MATLAB锂离子电池伪二维(P2D)模型实现
人工智能·算法·matlab
晨同学03273 小时前
opencv的颜色通道问题 & rgb & bgr
人工智能·opencv·计算机视觉
蓝婷儿4 小时前
Python 机器学习核心入门与实战进阶 Day 3 - 决策树 & 随机森林模型实战
人工智能·python·机器学习
大千AI助手4 小时前
PageRank:互联网的马尔可夫链平衡态
人工智能·机器学习·贝叶斯·mc·pagerank·条件概率·马尔科夫链
小和尚同志4 小时前
Cline | Cline + Grok3 免费 AI 编程新体验
人工智能·aigc
我就是全世界4 小时前
TensorRT-LLM:大模型推理加速的核心技术与实践优势
人工智能·机器学习·性能优化·大模型·tensorrt-llm
.30-06Springfield4 小时前
决策树(Decision tree)算法详解(ID3、C4.5、CART)
人工智能·python·算法·决策树·机器学习
我不是哆啦A梦4 小时前
破解风电运维“百模大战”困局,机械版ChatGPT诞生?
运维·人工智能·python·算法·chatgpt