当前位置：首页 > ops >正文

【笔记】动手学Ollama 第五章 Ollama 在 LangChain 中的使用 - Python 集成

ops 2025/8/21 10:04:18

正文详见：5.1 在 Python 中的集成https://datawhalechina.github.io/handy-ollama/#/C5/1.%20Ollama%20%E5%9C%A8%20LangChain%20%E4%B8%AD%E7%9A%84%E4%BD%BF%E7%94%A8%20-%20Python%20%E9%9B%86%E6%88%90

一、环境设置

1、配置Conda环境

在Conda中配置用于使用Ollama的Jupyter环境。配置环境的细节问题可见：Anaconda 安装及修改环境默认位置_anaconda环境位置-CSDN博客https://blog.csdn.net/qq_54562136/article/details/128932352

conda create -n handlm python=3.10 -y
conda activate handlm
pip install jupyter
python -m ipykernel install --user --name=handlm

2、安装依赖

langchain-ollama：用于集成Ollama模型到LangChain框架中
langchain：LangChain的核心库，提供了搭建AI应用的工具和抽象
langchain-community：包含了社区贡献的各种集成和工具
Pillow：用于图像处理
faiss-cpu：用于构建简单的RAG检索器

pip install langchain-ollama langchain langchain-community Pillow faiss-cpu

二、基本使用示例

1、使用ChatPromptTemplate对话

通过ChatPromptTemplate，我们可以创建一个可复用的模板，允许我们动态替换不同参数，以生成不同提示。

from langchain.prompts import ChatPromptTemplate

from langchain.llms import Ollama

model = Ollama(model="llama3.1")

template = """

你是一个乐于助人的AI，擅长于解决回答各种问题。

问题：{question}

"""

prompt = ChatPromptTemplate.from_template(template)

chain = prompt | model

chain.invoke({"question": "你比GPT4厉害吗？"})

在创建链部分，使用管道操作符 |，它将 prompt 和 model 连接起来，形成一个处理流程（chain）。

通过invoke方法触发整个处理链，将我们的问题传入模板，然后将格式化后的提示发送给模型进行处理。这种链式操作使得我们可以轻松地组合和重用不同的组件。

2、流式输出

流式输出是一种可以逐步返回结果的技术，其主要优势为：

提高了用户的体验，用户可以立即看到部分结果，而不是等到整个响应完成
减少了等待时间，用户可以在完整回答生成过程中就开始阅读
可以实时交互，用户可以在生成过程中进行干预和阻止

在实际的应用中，流式输出在与AI进行聊天对话过程中是必不可少。

from langchain_ollama import ChatOllamamodel = ChatOllama(model="llama3.1", temperature=0.7)messages = [("human", "你好呀"),
]for chunk in model.stream(messages):print(chunk.content, end='', flush=True)

model.stream(messages)完成以下操作：

向Ollama API发送请求，开始生成响应
API开始生成文本，并一块块返回
flush = True 确保每个片段立即显示

3、工具调用

通过调用工具，AI模型可以与外部函数或API交互，使其可以执行复杂的任务，如数字计算、数据查询或者外部服务调用等。这种能力在构建复杂的 AI 应用时非常有用，例如：

创建可以访问的实时数据的聊天机器人
构建能执行特定任务的智能助手
开发能进行精确计算或复杂操作的AI系统

from langchain_core.tools import tool

@tool

def multiply(a: float, b: float) -> float:

"""Multiplies a and b."""

return a * b

llm = ChatOllama(

model="llama3.1",

temperature=0.7,

).bind_tools([multiply])

llm.invoke("你知道一千万乘二是多少吗？").tool_calls

通过bind_tools方法将我们定义的函数作为可调用的工具传入模型中，使模型可以在适当的时候调用该工具。

通过tool.calls方法，我们可以查看到模型调用工具时生成的调用工具的参数。

我们通过链式结构，将生成的参数传递给工具，就真正实现了工具的调用。

chain = llm | (lambda x: x.tool_calls[0]["args"]) | multiply

chain.invoke("你知道一千万乘二是多少吗？")

详细参考：如何在链中调用工具 | 🦜️🔗 LangChain 框架https://python.langchain.ac.cn/docs/how_to/tools_chain/

4、多模态模型

多模态模型可以处理多种类型的输入，使其能够实现更复杂和自然的人机交互。

from langchain_ollama import ChatOllama
from langchain_core.messages import HumanMessage
from langchain_core.output_parsers import StrOutputParser
import base64llm = ChatOllama(model="llava", temperature=0.7)def prompt_func(data):'''构造多模态输入，包含文本和图像'''text = data.get("text", "")image_path = data.get("image", None)# 构造 content 列表content = [{"type": "text", "text": text}]if image_path:with open(image_path, "rb") as image_file:encoded_image = base64.b64encode(image_file.read()).decode('utf-8')content.append({"type": "image_url","image_url": {"url": f"data:image/jpeg;base64,{encoded_image}"}})# 注意：返回的是一个包含 HumanMessage 的列表return [HumanMessage(content=content)]chain = prompt_func | llm | StrOutputParser()chain.invoke({"text": "这个图片里是什么动物啊?", "image": "fox.jpg"}
)

| 的用法

        首先解释一下链式结构（chain），符号“ | ”时LangChain中用于构建“链”（chain）的运算符。通过这个运算符，你可以将不同的组件链接在一起，形成一个处理管道。

组件可以是一个模型（LLM）、函数或者其他可以调用的对象，用户的输入将依次进入这些组件，左侧组件的输出便是右侧组建的输入。

        在第三小节工具调用中，chain = llm | (lambda x: x.tool_calls[0]["args"]) | multiply ，我们的输入是"你知道一千万乘二是多少吗？"。输入首先进过LLM产生一些输出，通过函数处理得到LLM输出中的某些参数，然后再将这些参数传递给multiply处理。

        在本节中，chain = prompt_func | llm | StrOutputParser()，输入是"text": "这个图片里是什么动物啊?", "image": "fox.jpg"。输入首先进过prompt_func处理，得到适当的提示信息，在进入大模型生成响应，最后用过StrOutputParser()对模型的输出进行解析，转化为字符串形式。

三、进阶用法

1、多轮对话

ConversationChain方法用于管理多轮对话，它集合了语言模型、提示模板和内存组件，可以创建具有上下文感知能力的对话系统。

关键组件：

ConversationBufferMemory：内存组件，存储所有先前对话的历史
ConversationChain：将语言模型、内存和一个默认的对话提示模板组合在一起

from langchain.chains import ConversationChain

from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory()

conversation = ConversationChain(

llm=model,

memory=memory,

verbose=True

)

# 进行对话

conversation.predict(input="你好，我想了解一下人工智能。")

conversation.predict(input="能给我举个AI在日常生活中的应用例子吗？")

conversation.predict(input="这听起来很有趣。AI在医疗领域有什么应用？")

2、自定义提示模板

好的提示模板可以使AI更加高效。一般考虑以下几点：

明确定义AI的角色和任务
提供清晰、结构化的输入格式
包含具体的输出要求和格式指导
考虑如何最大化模型的能力和创造力

system_message = SystemMessage(content="""
你是一位经验丰富的电商文案撰写专家。你的任务是根据给定的产品信息创作吸引人的商品描述。
请确保你的描述简洁、有力，并且突出产品的核心优势。
""")human_message_template = """
请为以下产品创作一段吸引人的商品描述：
产品类型: {product_type}
核心特性: {key_feature}
目标受众: {target_audience}
价格区间: {price_range}
品牌定位: {brand_positioning}请提供以下三种不同风格的描述，每种大约50字：
1. 理性分析型
2. 情感诉求型
3. 故事化营销型
"""# 示例使用
product_info = {"product_type": "智能手表","key_feature": "心率监测和睡眠分析","target_audience": "注重健康的年轻专业人士","price_range": "中高端","brand_positioning": "科技与健康的完美结合"
}

system_message：定义了AI的角色和任务，设置了整个对话的基调
human_message_template：提供了具体的指令和所需信息的结构
多参数设计：允许灵活地适应不同的产品和需求
多样化输出要求：通过要求不同风格的描述，鼓励模型展示其多样性

3、RAG问答系统

RAG是结合了检索和生成地技术，它可以通过检索相关信息来增强语言模型的回答能力，具体工作流程如下所示：

将知识库文档分割成小块并将其向量化，创建为索引
对用户问题进行向量化并和上述索引进行匹配，寻找相关文档
将检索到的文档和用户问题一起作为上下文提供给语言模型
语言模型根据提供的文档生成回答来回答用户的问题

因为是根据现有的文档来生成消息，在一定程度上可以减少幻觉，提高回答的准确性和相关性。R其在许多真实场景中非常有用：

客户服务：可以基于公司地知识库快速回答客户询问
研究辅助：帮助研究人员寻找相关文献并总结关键信息
个人助手：结合个人笔记和网络信息，提供个性化的信息检索和建议

为了实现RAG系统，我们首先要有一个embedding模型，可以将文本向量化。

ollama pull nomic-embed-text

示例：from langchain_community.embeddings import OllamaEmbeddings

from langchain.text_splitter import RecursiveCharacterTextSplitter

from langchain_community.vectorstores import FAISS

# 初始化 Ollama 模型和嵌入

llm = ChatOllama(model="llama3.1", temperature=0.7)

embeddings = OllamaEmbeddings(model="nomic-embed-text")

# 准备文档

text = """

Datawhale 是一个专注于数据科学与 AI 领域的开源组织，汇集了众多领域院校和知名企业的优秀学习者，聚合了一群有开源精神和探索精神的团队成员。

Datawhale 以" for the learner，和学习者一起成长"为愿景，鼓励真实地展现自我、开放包容、互信互助、敢于试错和勇于担当。

同时 Datawhale 用开源的理念去探索开源内容、开源学习和开源方案，赋能人才培养，助力人才成长，建立起人与人，人与知识，人与企业和人与未来的联结。

如果你想在Datawhale开源社区发起一个开源项目，请详细阅读Datawhale开源项目指南[https://github.com/datawhalechina/DOPMC/blob/main/GUIDE.md]

"""

# 分割文本

text_splitter = RecursiveCharacterTextSplitter(chunk_size=100, chunk_overlap=20)

chunks = text_splitter.split_text(text)

# 创建向量存储

vectorstore = FAISS.from_texts(chunks, embeddings)

retriever = vectorstore.as_retriever()

# 创建提示模板

template = """只能使用下列内容回答问题:

{context}

Question: {question}

"""

prompt = ChatPromptTemplate.from_template(template)

# 创建检索-问答链

chain = (

{"context": retriever, "question": RunnablePassthrough()}

| prompt

| llm

| StrOutputParser()

)

# 使用链回答问题

question = "我想为datawhale贡献该怎么做？"

chain.invoke({"question":question})

流程说明：

使用ChatOllama和OllamaEmbedding分别初始化Ollama模型和嵌入
准备文档，并通过RecursiveCharacterTextSplitter类定义哥哥文本分割器。通过split_text方法将文本分割为多个指定大小的文本块
通过FAISS.from_texts创建向量存储库并将文本块转化为向量存储金FAISS索引中。通过as_retruever方法将向量存储转化为可以根据查询检索相关文档的检索器。
定义提示模板字符串template，并通过ChatPromptTemplate.from_template将模板字符串转为提示模板prompt
船舰检索-问答的链式结构，并用来回答问题