浅谈人工智能之基于ollama本地大模型结合本地知识库搭建智能客服

摘要

随着人工智能技术的飞速发展，基于大型语言模型（LLMs）的智能客服系统逐渐成为提升企业服务质量和效率的关键工具。然而，对于注重数据隐私和安全的企业而言，使用云服务可能会引发数据泄露的风险。因此，构建基于Ollama的本地大模型，并结合自建知识库的智能客服系统，成为了一种理想的选择。本文档旨在提供一个详尽的指南，介绍如何利用Ollama搭建一个高效、安全且定制化的本地智能客服系统。

1. 引言

1.1 Ollama简介

Ollama是一个开源项目，它使得在本地部署和运行大型语言模型变得简单易行。通过Ollama，用户可以绕过云服务，直接在本地服务器或设备上运行包括Llama系列在内的多种预训练模型，从而保障数据的隐私性和可控性。
关于ollama的安装，可以参考之前的文章：根据操作系统进行选择部署
浅谈人工智能之Windows：基于ollama进行本地化大模型部署
浅谈人工智能之Linux：基于ollama进行本地化大模型部署

1.2 本地知识库的重要性

本地知识库是指存储于企业内部服务器上的、专门用于智能客服系统的数据集合。它包含了公司的产品信息、常见问题解答、客户服务政策等，是智能客服系统精准回答用户提问的基础。相较于云端知识库，本地知识库能够更好地控制数据访问权限，防止敏感信息外泄。

2. 系统架构概述

2.1 技术栈

● Ollama：本地模型运行环境。
● LangChain：LangChain是一项革新性的技术应用，它专注于优化和提炼信息的核心价值。通过先进的自然语言处理算法，LangChain能够对文本进行深度分析，巧妙地剥离冗余部分，而精心保留最为关键的信息要素。这一过程不仅提升了信息的密度与质量，还确保了内容传达的精准度与效率，同时忠实地维护了原文的风格、语气及逻辑框架。其结果是一种更为精炼、有力且易于消化的信息表达形式，尤其适用于学术交流、专业报告及知识总结等领域，展现了技术与人文科学的完美融合，为读者带来既深刻又优雅的阅读体验。
● Embedding：嵌入技术是机器学习和自然语言处理领域中的一项核心技术，主要用于将高维稀疏数据（如文本、图像特征等）转换为低维稠密向量，这样的向量能够捕捉原始数据的语义信息和模式。这一转换过程使得数据在向量空间中具备了计算相似度的能力，从而便于在诸如推荐系统、语义搜索、机器翻译等多种应用中使用。

2.2 工作流程

1. 模型训练：对知识库模型进行简单训练。
2. 用户提问：通过前端界面提交问题。
3. 请求处理：API Gateway接收并解析请求。
4. 知识检索：查询本地知识库获取相关信息。
5. 模型推理：Ollama根据输入的问题和知识库信息生成回复。
6. 结果返回：回复通过API Gateway返回前端展示给用户。

3. 应用实例

3.1 模型下载

我们这里用到的模型使用：bce-embedding-vase_v1
下载路径（国内请使用这个环境）：
BCE模型下载
如果大家跟外网是互通的，则可以通过git命令进行下载，如果是不互通的，则需要通过其他方式进行下载，我这边由于网络不通是在页签“Files and versions”界面安装他的目录一个个下载到本地

本地目录结构，模型存放地址：D:\vec\bce-embedding-vase_v1

3.2 构建本地知识库

1. 选择文档内容：假设我有一个常见的FAQ文档需要生成知识库，知识库的内容如下：

问题1：git克隆失败-文件名太长
答案1：查看错误信息中是否包含关键字：Filename too long
问题2：git克隆失败-access_token失效
答案2：查看错误信息中是否包含关键字：Authentication failed for、 Access denied、invalid_token。解决方法：重新生成一个有效的access_toekn
问题3：git克隆失败-网络超时
答案3：查看错误信息中是否包含关键字：Connection timed out、Unknown error、Could not resolve host等。可能是执行机与yfgitlab网络不通或者网络波动导致，执行机dns配置有问题，不能访问yfgitlab的域名
问题4：git克隆失败-CI站点上配置的工程信息异常
答案4：查看错误信息中是否包含关键字：FETCH_HEAD error: Sparse checkout leaves no entry on working directory。可能原因：1）、工程信息中填写的脚本路径斜杠反了，比如不正确的写法：TEST\Stability\ITC，正确的写法：TEST/Stability/ITC；2）多个脚本路径用英文分号拼接，不能使用其他符号，比如TEST/PI/SD,TEST/PI/COMMON使用逗号拼接的是异常的
问题5：git克隆失败-‘git’ 不是内部或外部命令，也不是可运行的程序
答案5：1、检查下执行机上是否安装了git；2、可能链接jenkins的时候没有安装git，链接成功后才安装的git，联系工厂客服删除节点，用户重新部署执行机。
问题6：git克隆失败-分支名中带有.号
答案6：查看错误信息中是否包含关键字：Invalid argument Cloning into 。换一个没有.号的分支名
问题7：git克隆失败-git链接不是以.git结尾
答案7：查看错误信息中是否包含关键字：没有找到项目名称(xxx)对应的项目id。需要填写完整的git地址
问题8：git克隆失败-out of memory
答案8：查看错误信息中是否包含关键字：out of memory、No space left on device。用户需要检查下执行机硬盘空间

2. 向量数据库生成代码

# coding=utf-8
from langchain_community.document_loaders import TextLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.embeddings import  HuggingFaceEmbeddings
from langchain_community.vectorstores import Chroma
from langchain_community.llms import Ollama
from langchain.chains import RetrievalQA# 导入文本
loader = TextLoader(r"D:\vec\document\test.txt")
# 将文本转成 Document 对象
data = loader.load()
print(f'documents:{len(data)}')# 初始化加载器
text_splitter = RecursiveCharacterTextSplitter(chunk_size=100, chunk_overlap=0)
# 切割加载的 document
split_docs = text_splitter.split_documents(data)
print("split_docs size:",len(split_docs))model_name = r"D:\vec\bce-embeddin