本地部署开源大模型教程：LangChain + Streamlit + Llama

环境配置细节

建议使用 Python 3.9 或更高版本。创建虚拟环境命令如下：

python -m venv venv
# Windows 激活
venv\Scripts\activate
# Linux/Mac 激活
source venv/bin/activate

创建 requirements.txt 文件，包含以下依赖：

langchain==0.0.330
llama-cpp-python==0.1.83
streamlit==1.28.0
chromadb==0.4.15
sentence-transformers==2.2.2

安装依赖：

pip install -r requirements.txt

2. 在本地机器上安装 LLaMA

为了有效地使用模型，必须考虑内存和磁盘。由于模型需要完全加载到内存中，因此不仅需要有足够的磁盘空间来存储它们，还需要足够的 RAM 在执行期间加载它们。比如 65B 模型，即使在量化之后，也需要 40GB 的 RAM。

所以为了在本地运行，我们将使用最小版本的 LLaMA，也就是 LLaMA 7B。虽然它是最小的版本，但是 LLaMA 7B 也提供了很好的语言处理能力，我们能够高效地实现预期的结果。

为了在本地 CPU 上执行 LLM，我们使用 GGML 格式的本地模型。这里直接从 Hugging Face Models 存储库直接下载 bin 文件，然后将文件移动到根目录下的 models 目录中。

上面我们已经说了，GGML 是 C++ 库，所以还需要使用 Python 调用 C++ 的接口。好在这一步很简单，我们将使用 llama-cpp-python，这是 LLaMA.cpp 的 Python 绑定，它在纯 C/C++ 中充当 LLaMA 模型的推理。cpp 的主要目标是使用 4 位整数量化来运行 LLaMA 模型。这样可以有效地利用 LLaMA 模型，充分利用 C/C++ 的速度优势和 4 位整数量化的优势。

llama.cpp 还支持很多其他模型，下图是列表：

![图：支持的模型列表]

准备好 GGML 模型和所有依赖项之后，就可以开始 LangChain 进行集成了。但是在开始之前，我们还需要做一下测试，保证我们的 LLaMA 在本地是可用的：

![图：本地 LLaMA 测试输出]

看样子没有任何问题，并且程序是完全脱机并以完全随机的方式（可以使用温度超参数）运行的。

3. LangChain 集成 LLM

现在我们可以利用 LangChain 框架来开发使用 LLM 的应用程序。

为了提供与 LLM 的无缝交互，LangChain 提供了几个类和函数，可以使用提示模板轻松构建和使用提示。它包含一个文本字符串模板，可以接受来自最终用户的一组参数并生成提示符。

下面我们可以使用 LangChain 进行集成了：

![图：PromptTemplate 示例]

继续对 LLM 进行提示：

![图：LLM 响应示例]

目前我们使用了单独的组件，通过提示模板对其进行格式化，然后使用 LLM，在 LLM 中传递这些参数以生成答案。对于简单的应用程序，单独使用 LLM 是可以的，但是更复杂的应用程序需要将 LLM 链接起来——要么相互链接，要么与其他组件链接。

LangChain 为这种链接应用程序提供了 Chain 接口。我们可以将 Chain 定义为对组件的调用序列，其中可以包含其他 Chain。Chain 允许我们将多个组件组合在一起，以创建一个单一的、一致的应用程序。

创建一个非常简单的 Chain，它将接受用户输入，用它格式化提示符，然后使用我们已经创建的上述各个组件将其发送到 LLM。

![图：Chain 结构示意]

4. 生成嵌入和向量库

在许多 LLM 应用程序中，需要特定于用户的数据，这些数据不包括在模型的训练集中。LangChain 提供了加载、转换、存储和查询数据的基本组件，我们这里可以直接使用。

上图包含了 5 个组件：

• 文档加载器: 它用于将数据加载为文档。
• 文档转换器: 它将文档分成更小的块。
• 嵌入: 它将块转换为向量表示，即嵌入。
• 嵌入向量存储: 用于将上述块向量存储在矢量数据库中。
• 检索器: 它用于检索一组向量，这些向量以嵌入在相同 Latent 空间中的向量的形式与查询最相似。

我们将实现这五个步骤，流程图如所提供的下图所示：

![图：RAG 流程示意图]

我们这里使用维基百科上复制的一段关于一些 DC 超级英雄的文本作为开发测试使用。

a. 加载和转换文档

使用文本加载器创建一个文档对象（LangChain 提供了对多个文档的支持，可以根据文档使用不同的加载器），使用 load 方法检索数据，并将其作为文档从预配置的源加载。

加载文档之后，通过将其分解为更小的块来继续转换过程。使用 TextSplitter（默认情况下，拆分器以 '\n\n' 分隔符分隔文档）。如果将分隔符设置为 null 并定义特定的块大小，则每个块将具有指定的长度。

b. Embeddings

词嵌入只是一个词的向量表示，向量包含实数。词嵌入通过在低维向量空间中提供词的密集表示来解决简单的二进制单词向量由于维度高的问题。

LangChain 中的基 Embeddings 类公开了两个方法：一个用于嵌入文档，另一个用于嵌入查询。前者接受多个文本作为输入，后者接受单个文本作为输入。

因为后面的检索也是检索嵌入在相同潜在空间中最相似的向量，所以词向量必须使用相同的方法（模型）生成。

c. 创建存储和检索文档

矢量存储有效地管理嵌入数据的存储，并加速矢量搜索操作。我们将使用 Chroma，一个专门用于简化包含嵌入的人工智能应用程序的开发的矢量数据库。它提供了一套全面的内置工具和函数，我们只需要使用 pip install chromadb 命令将它安装在本地。

现在我们可以存储和检索向量了，下面就是与 LLM 来整合了：

![图：Chroma 集成示意]

到这一步，已经可以使用本地运行的 LLM 构建问答机器人了，这个结果还不错，但是我们还有更好的要求，就是一个 GUI 界面。

5. Streamlit 应用搭建

如果你只喜欢命令行的方式运行，则这一节是完全可选的。因为在这里我们将创建一个允许用户上传任何文本文档的 Web 程序。可以通过文本输入提出问题，来对文档进行分析。

因为涉及到文件上传，所以为了防止潜在的内存不足错误，这里只将简单地读取文档并将其写入临时文件夹中并重命名为 raw.txt。这样无论文档的原始名称是什么，TextLoader 都将在将来无缝地处理它（我们这里假设：单用户同时只处理一个文件）。

我们也只处理 txt 文件，代码如下：

import streamlit as st
from langchain.llms import LlamaCpp
from langchain.embeddings import LlamaCppEmbeddings
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain
from langchain.document_loaders import TextLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain.vectorstores import Chroma

# Customize the layout
st.set_page_config(page_title="DOCAI", page_icon="🤖", layout="wide")    
st.markdown(f"""
            <style>
            .stApp {{background-image: url("https://images.unsplash.com/photo-1509537257950-20f875b03669?auto=format&fit=crop&w=1469&q=80");
                      background-attachment: fixed;
                      background-size: cover}}
          </style>
          """, unsafe_allow_html=True)

# function for writing uploaded file in temp
def write_text_file(content, file_path):
    try:
        with open(file_path, 'w') as file:
            file.write(content)
        return True
    except Exception as e:
        print(f"Error occurred while writing the file: {e}")
        return False

# set prompt template
prompt_template = """Use the following pieces of context to answer the question at the end. If you don't know the answer, just say that you don't know, don't try to make up an answer.
 {context}
 Question: {question}
 Answer:"""
prompt = PromptTemplate(template=prompt_template, input_variables=["context", "question"])

# initialize the LLM & Embeddings
llm = LlamaCpp(model_path="./models/llama-7b.ggmlv3.q4_0.bin")
embeddings = LlamaCppEmbeddings(model_path="models/llama-7b.ggmlv3.q4_0.bin")
llm_chain = LLMChain(llm=llm, prompt=prompt)

st.title("📄 Document Conversation 🤖")
uploaded_file = st.file_uploader("Upload an article", type="txt")

if uploaded_file is not None:
   content = uploaded_file.read().decode('utf-8')
   # st.write(content)
   file_path = "temp/file.txt"
   write_text_file(content, file_path)  
    
   loader = TextLoader(file_path)
   docs = loader.load()    
   text_splitter = CharacterTextSplitter(chunk_size=100, chunk_overlap=0)
   texts = text_splitter.split_documents(docs)
   db = Chroma.from_documents(texts, embeddings)    
   st.success("File Loaded Successfully!!")
     
   # Query through LLM    
   question = st.text_input("Ask something from the file", placeholder="Find something similar to: ....this.... in the text?", disabled=not uploaded_file,)    
   if question:
       similar_doc = db.similarity_search(question, k=1)
       context = similar_doc[0].page_content
       query_llm = LLMChain(llm=llm, prompt=prompt)
       response = query_llm.run({"context": context, "question": question})        
       st.write(response)

看看我们的界面：

![图：Streamlit 应用界面]

这样一个简单的并且可以使用的程序就完成了。

常见问题与优化建议

在实际部署过程中，可能会遇到以下问题：

1. 内存不足：如果显存或内存不足，可以尝试使用更低精度的量化模型（如 q2_k 或 q3_k），或者减少 batch size。
2. 推理速度慢：CPU 推理速度较慢，建议开启多线程 (n_threads) 或使用 GPU 加速（如果显卡支持 CUDA）。
3. 上下文窗口限制：注意模型的上下文窗口大小，过长的文档可能导致截断，需合理调整 chunk_size。

总结

通过 LangChain 和 Streamlit 我们可以方便地整合任何的 LLM 模型，并且通过 GGML 我们可以将大模型运行在消费级的硬件中，这对我们个人研究来说是非常有帮助的。该方案实现了完全的本地化部署，保护了数据隐私，同时降低了云端 API 的成本。