1. 背景

AI爆火了2年有余，但我仍是一个AI小白，最近零星在学，随手记录点内容供自己复习。

上次在Macbook Pro上安装了Stable Diffusion，体验了本地所心所欲地生成各种心仪的图片，完全没有任何限制的惬意。今天想使用Macbook Pro安装一个本地大语言模型体验一下，刚好在2024年4月18日，Meta在官网上宣布公布了旗下最新大模型Llama 3，并开放了80亿（8b）和700亿（70b）两个小参数版本，据说能力显著提升。遂开干。

为什么部署本地大模型

学习方便，私有材料不用发给外网，可以为公司私有化部署积累经验。省钱，不需要单独买云主机，电脑放家里闲着也是闲着。

为什么选择llama3

最新款。科技这东西，用新不用旧。Meta出品，大厂品质有保证。

这是本次用到的技术框架

2. 环境

硬件：

型号：macbook pro 14寸

CPU：M2 MAX （12+38）

内存：96G

硬盘：8T

操作系统：maxOS 14.3.1

软件：

python 3.11

conda 24.3.0

llama3 8B 和 70B

3. 安装llama3

登录官网：github.com/ollama/olla…

下载安装包：ollama.com/download/Ol…

解压后运行：Ollama，初始化环境。

先体验8B模型，在命令行窗口运行(第一次运行会下载并安装模型)：

<code>arduino

复制代码

ollama run llama3

安装完成后，输出提示“end a message (/? for help)，可以随便输入信息。

对中文支持还不错。

4. 使用langchain完成简单的RAG

上面对广州的介绍输出非常简单，如果想使用自己语料库来完成，比如公司内部有自己的知识库，需要结合公司的知识库来回答问题，那就可以试试langchain。

简单地说，langchain 是一个帮助在应用程序中使用大型语言模型（LLM）的编程框架，可极大简化对LLM的调用。

详细介绍可参考官方文档：python.langchain.com/docs/get_st…。

快速开始：python.langchain.com/docs/get_st…。

安装：

<code>r

复制代码

conda install langchain -c conda-forge

报错：“Verifying transaction: / WARNING conda.core.path_actions:verify(1055): Unable to create environments file. Path not writable.”

说明没有写权限，把对应文件owner修改为当前登录用户：

<code>bash

复制代码

sudo chown -R $USER ~/.conda

为了方便，使用PyCharm来写测试文件。

上面使用conda安装langchain的环境，所以新建项目的环境选择“Select existing”，再选择conda。

写一个python文件测试：

<code>ini

复制代码

from langchain_community.llms import Ollama

llm = Ollama(model="llama3")code>

response = llm.invoke("使用中文介绍一下广州")

print(response)

报错，提示要安装llama2，根据提示修改文件“/opt/homebrew/anaconda3/lib/python3.11/site-packages/langchain_community/embeddings/ollama.py”，使用llama3替换：

ini

复制代码

#model: str = "llama2"

model: str = "llama3"

再次报错，提示要安装faiss，使用命令行安装：

复制代码

pip install faiss-cpu

终于跑成功，输出如下：

换成百度百科的语料，python文件如下：

<code>ini

复制代码

from langchain_community.llms import Ollama

from langchain_core.prompts import ChatPromptTemplate

from langchain_community.embeddings import OllamaEmbeddings

from langchain_community.document_loaders import WebBaseLoader

from langchain_community.vectorstores import FAISS

from langchain.text_splitter import RecursiveCharacterTextSplitter

from langchain.chains.combine_documents import create_stuff_documents_chain

from langchain.chains import create_retrieval_chain

#加载文件

loader = WebBaseLoader("https://baike.baidu.com/item/%E5%B9%BF%E5%B7%9E%E5%B8%82/21808?fromtitle=%E5%B9%BF%E5%B7%9E&fromid=72101&fr=aladdin")

page_context = loader.load()

#分词

text_splitter = RecursiveCharacterTextSplitter()

split_documents = text_splitter.split_documents(page_context)

embeddings = OllamaEmbeddings()

#保存到向量库

vector = FAISS.from_documents(split_documents, embeddings)

retriever = vector.as_retriever()

#提示词模板

prompt = ChatPromptTemplate.from_template("""Answer question based on the provided context:

<context>{context}</context>

Question: {input}""")

#加载模型

llm = Ollama(model="llama3")code>

document_chain = create_stuff_documents_chain(llm, prompt)

retrieval_chain = create_retrieval_chain(retriever, document_chain)

response = retrieval_chain.invoke({"input": "使用中文介绍广州"})

print(response["answer"])

输出如下，可以看出输出的内容部分使用了百度百科最新的数据：

如果把提示词修改一下：“Answer question only based on the provided context”，就是里面加上限定词“only”，输出就只有百度百科的内容，如下：

5. 测试llama3 70b

<code>arduino

复制代码

ollama run llama3:70b

70b模型安装文件达到了39G多，而8b模型文件是4.7G。

安装完成后，使用命令行测试，输出：

70b模型通过langchain无专属语料输出：

通过对比，在不使用专属语料库的情况下，70b模型比8b模型输出内容更为丰富。

70b模型通过langchain使用专属语料输出：

通过对比，使用专属语料库的情况下，70b模型和8b模型输出内容看不出明显差异。

6. 机器消耗

跑问题时，CPU基本空转，内存跑到64G，GPU打满，风扇呼呼响。

不跑问题时，内存在27G，GPU和CPU负载都很低，风扇不转。

7. 小结

Macbook pro 跑大模型在网上经常被人笑话，不过自己安装玩一玩，学一学，还是不错的，反正我自己用得挺好的。有空的时候再去云平台搞台N卡的机器试试，看到有些云主机平台还有免费试用3个月的带显卡的AI专用虚机供申请，过几天去薅羊毛看看效果。

这也是我第一次写python，果然比java方便。

最后，支付公司都有各种各样的技术文档，可以私有化部署LLM，再结合RAG，私有文档库，做成专有的专家知识库，不仅可以用于外部客户答疑，内部同学值班处理线上问题也是非常方便的。

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 <code>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【<code>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🆓