企业官网建设流程全解析

网站建设 项目文档,南京网站开发南京乐识权威,整站排名,阿里云官网首页1、wsl环境中安装ollamacurl -fsSL https://ollama.com/install.sh | sh2、启动ollama serve3、拉取模型# 拉取模型#xff08;此过程会下载约4-5GB的数据#xff09; ollama pull qwen2.5:7b # 推荐#xff1a;中文能力强#xff0c;综合性能优秀 # 或者ollama pull llam…1、wsl环境中安装ollamacurl -fsSL https://ollama.com/install.sh | sh2、启动ollama serve3、拉取模型# 拉取模型此过程会下载约4-5GB的数据 ollama pull qwen2.5:7b # 推荐中文能力强综合性能优秀 # 或者 ollama pull llama3.2:7b # 备选国际主流模型ollama run qwen2.5:7b4、安装pythonWSL2中安装Python的步骤# 1. 更新包列表sudo apt update# 2. 安装Python3和pipsudo apt install python3 python3-pip -y# 3. 验证安装python3 --versionpip3 --version# 4. 可选设置python3为默认python命令sudo update-alternatives --install /usr/bin/python python /usr/bin/python3 1如果wsl是ubantu 要用虚拟环境# 1. 创建虚拟环境在用户目录下python3 -m venv ~/ai_venv# 2. 激活虚拟环境source ~/ai_venv/bin/activate# 激活后命令行提示符前会出现 (ai_venv)# 3. 在虚拟环境中安装包不会影响系统pip install --upgrade pippip install langchain langchain-community chromadb pypdf# 4. 运行你的脚本确保在虚拟环境中python /mnt/f/tmp/test_rag.py# 5. 退出虚拟环境完成后deactivate安装旧版lanchain# 1. 安装兼容的旧版本 pip uninstall langchain langchain-community langchain-core langchain-classic langchain-text-splitters -y pip install langchain0.1.0 langchain-community0.0.10 # 2. 验证 python -c from langchain.chains import RetrievalQA; from langchain_community.llms import Ollama; print(✅ 所有关键模块导入成功) # 3. 现在运行你的测试脚本 python /mnt/f/tmp/test_rag.py编辑脚本# test_rag.py - 带错误处理的完整版 import sys print( RAG系统测试 ) # 1. 导入必要的库 try: from langchain.chains import RetrievalQA from langchain_community.llms import Ollama from langchain_community.vectorstores import Chroma from langchain_community.embeddings import OllamaEmbeddings from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain_community.document_loaders import TextLoader print(✅ 所有库导入成功) except ImportError as e: print(f❌ 导入失败: {e}) sys.exit(1) # 2. 连接本地Ollama对话模型 try: llm Ollama(base_urlhttp://localhost:11434, modelqwen2.5:7b) print(✅ 已连接本地对话模型 (qwen2.5:7b)) except Exception as e: print(f❌ 连接Ollama失败: {e}) sys.exit(1) # 3. 尝试不同的嵌入模型 embedding_models [all-minilm, nomic-embed-text, mxbai-embed-large, qwen2.5:7b] embeddings None for model in embedding_models: try: print(f尝试使用嵌入模型: {model}) embeddings OllamaEmbeddings(base_urlhttp://localhost:11434, modelmodel) # 简单测试 test_embed embeddings.embed_query(test) print(f✅ 嵌入模型 {model} 可用) break except Exception as e: print(f 模型 {model} 不可用: {str(e)[:80]}...) continue if embeddings is None: print(❌ 所有嵌入模型都不可用) print(请先安装一个嵌入模型:) print( ollama pull all-minilm # 推荐轻量快速) print( ollama pull nomic-embed-text) sys.exit(1) # 4. 创建测试文档 insurance_text 【健康保险条款示例】 第一条 保险责任 在本合同有效期内被保险人因遭受意外伤害或疾病在符合本合同约定的医院进行治疗本公司按下列约定给付保险金 一、住院医疗保险金被保险人需支付免赔额人民币5000元免赔额以上部分按90%比例报销年度累计给付以20万元为限。 二、重大疾病保险金一次性给付人民币30万元。 with open(sample_policy.txt, w, encodingutf-8) as f: f.write(insurance_text) # 5. 加载、分割文档 try: loader TextLoader(sample_policy.txt) documents loader.load() text_splitter RecursiveCharacterTextSplitter(chunk_size300, chunk_overlap50) texts text_splitter.split_documents(documents) print(f✅ 文档处理完成分割为 {len(texts)} 个片段) except Exception as e: print(f❌ 文档处理失败: {e}) sys.exit(1) # 6. 创建向量库 try: vectorstore Chroma.from_documents(texts, embeddings, persist_directory./insurance_db) print(✅ 向量知识库构建完成) except Exception as e: print(f❌ 创建向量库失败: {e}) sys.exit(1) # 7. 创建RAG问答链 try: qa_chain RetrievalQA.from_chain_type( llmllm, retrievervectorstore.as_retriever(search_kwargs{k: 2}), chain_typestuff ) print(✅ RAG问答链创建完成) except Exception as e: print(f❌ 创建问答链失败: {e}) sys.exit(1) # 8. 测试问答 print(\n *50) print(开始问答测试) print(*50) test_questions [ 我这份合同的免赔额是多少钱, 我如果住院的话医疗的报销比例是多少, 我一整年的报销上限是多少, 重大疾病保险金怎么赔付陪多少钱 ] for i, question in enumerate(test_questions, 1): print(f\n{i}. ❓ 问题{question}) try: answer qa_chain.run(question) print(f 回答{answer}) except Exception as e: print(f ❌ 回答失败: {e}) print(\n *50) print( RAG系统测试完成) print(*50)测试脚本# 1. 确保你在虚拟环境中有 (ai_venv) 前缀# 如果不在source ~/ai_venv/bin/activate# 2. 确保Ollama服务在运行在另一个终端窗口# ollama serve# 3. 运行你的RAG测试脚本python /mnt/f/tmp/test_rag.py运行脚本后的效果