简介： 今天，我们做了两个实验，目标在15分钟内，完成下载社区的开源模型，部署成API，替换LlamaIndex中RAG和LangChain中OpenAI接口Agent的最佳实践，并取得符合预期的结果。
实验一
实验目标：Qwen2+Ollama+LlamaIndex实现RAG应用
实验时长：15分钟
运行设备：Mac，CPU，GPU均可
环境安装：****
pip install llama-index llama_index.llms.ollama llama-index-embeddings-huggingface modelscope
复制模型路径，创建名为“ModelFile”的meta文件，内容如下：
FROM /mnt/workspace/qwen2-7b-instruct-q5_k_m.gguf
# set the temperature to 0.7 [higher is more creative, lower is more coherent]
PARAMETER temperature 0.7
PARAMETER top_p 0.8
PARAMETER repeat_penalty 1.05
TEMPLATE """{{ if and .First .System }}<|im_start|>system
{{ .System }}<|im_end|>
{{ end }}<|im_start|>user
{{ .Prompt }}<|im_end|>
<|im_start|>assistant
{{ .Response }}"""
# set the system message
SYSTEM """
You are a helpful assistant.
"""
使用ollama create命令创建自定义模型并运行
ollama create myqwen2 --file ./ModelFile
ollama run myqwen2
然后运行如下RAG代码：
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings
from llama_index.core.embeddings import resolve_embed_model
from llama_index.llms.ollama import Ollama
import sys
# load doc qwen2 readme
documents = SimpleDirectoryReader("/mnt/workspace/content").load_data()
# bge embedding model
Settings.embed_model = resolve_embed_model("local:/mnt/workspace/bge-base-en-v1.5")
# ollama
Settings.llm = Ollama(model="myqwen2", request_timeout=30.0)
# create index
index = VectorStoreIndex.from_documents(documents)
# Either way we can now query the index
query_engine = index.as_query_engine()
response = query_engine.query("What is the maximum context length supported by Qwen2?")
print(response)
Output
实验二
实验目标：Qwen2+Ollama+Langchain实现Agent应用
实验时长：15分钟
运行设备：Mac，CPU，GPU均可
环境安装：
****
pip install langchain_openai langchain langchain_experimental
模型下载：
使用modelscope-cli下载qwen2模型：
modelscope download --model=qwen/Qwen2-7B-Instruct-GGUF --local_dir . qwen2-7b-instruct-q5_k_m.gguf
运行Qwen2(本地文件，也可以直接用ollama hub)
复制模型路径，创建名为“ModelFile”的meta文件，内容如下：
from langchain_experimental.agents.agent_toolkits import create_pandas_dataframe_agent
from langchain_openai import ChatOpenAI
import pandas as pd
# 下载csv文件
df = pd.read_csv("https://raw.githubusercontent.com/pandas-dev/pandas/main/doc/data/titanic.csv"
)
agent = create_pandas_dataframe_agent(ChatOpenAI(api_key='ollama', # ollama 不需要使用真实的API keybase_url = 'http://127.0.0.1:11434/v1',model="myqwen2"),df,verbose=True,allow_dangerous_code=True
)
agent.invoke("how many rows are there?")
使用ollama create命令创建自定义模型并运行
ollama create myqwen2 --file ./ModelFile
ollama run myqwen2
运行如下function call 代码（代码解释器）：
from langchain_experimental.agents.agent_toolkits import create_pandas_dataframe_agent
from langchain_openai import ChatOpenAI
import pandas as pd
# 下载csv文件
df = pd.read_csv("https://raw.githubusercontent.com/pandas-dev/pandas/main/doc/data/titanic.csv"
)
agent = create_pandas_dataframe_agent(ChatOpenAI(api_key='ollama', # ollama 不需要使用真实的API keybase_url = 'http://127.0.0.1:11434/v1',model="myqwen2"),df,verbose=True,allow_dangerous_code=True
)
agent.invoke("how many rows are there?")
Output
