基于 LlaMA 3 + LangGraph 在windows本地部署大模型（一）

基于LlaMA 3 + LangGraph 在windows本地部署大模型（一）

在这里插入图片描述

在这里插入图片描述

RAG 是未来人工智能应用的基石。大家并不是在寻求仅仅产生无意义反应的人工智能。而目标是人工智能能够从特定文档集中检索答案，理解查询的上下文，指导自己搜索其嵌入内容或在必要时诉诸网络搜索，评估自身响应的有效性以防止幻觉，并最终根据提供的文档提供类似人类的答案

本文将剖析所提供的代码片段的每一行，以揭示 Langchain 的内部工作原理：

# Install modules
!pip install ollama langchain beautifulsoup4 chromadb gradio unstructured langchain-nomic langchain_community tiktoken langchainhub langgraph tavily-python gpt4all -q
!pip install "unstructured[all-docs]" -q
!ollama pull llama3
!ollama pull nomic-embed-textp

进行Langchain 及其相关功能所需的基本模块和库的安装。这些pip install命令确保安装所有必需的依赖项，同时ollama pull获取文本处理所需的特定的llama3模型和资源。

# Importing libraries
import os
import bs4
import getpass
import ollama
from typing import List
from typing_extensions import TypedDict
from langchain import hub
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.document_loaders import (WebBaseLoader,UnstructuredPDFLoader,OnlinePDFLoader,UnstructuredFileLoader,PyPDFDirectoryLoader,
)
from langchain_community.vectorstores import Chroma
from langchain_community.embeddings import OllamaEmbeddings, GPT4AllEmbeddings
from langchain_core.output_parsers import StrOutputParser, JsonOutputParser
from langchain_core.runnables import RunnablePassthrough
from langchain.prompts import PromptTemplate, ChatPromptTemplate
from langchain_community.chat_models import ChatOllama
from langchain.retrievers.multi_query import MultiQueryRetriever
from langchain_community.tools.tavily_search import TavilySearchResults

这段代码是Python的导入库部分，用于引入多个模块和函数：

import os
- 导入Python的标准库os，用于与操作系统进行交互，如文件和目录操作。
import bs4
- 导入BeautifulSoup库，这是一个用于从HTML和XML文件中提取数据的库。
import getpass
- 导入getpass模块，它提供了一个函数用于安全地获取用户的密码输入。
import ollama
- 导入ollama模块，这是一个特定的库，用于处理与ollama相关的操作。
from typing import List
- 从typing模块导入List类型注解，用于类型检查和静态分析。
from typing_extensions import TypedDict
- 从typing_extensions模块导入TypedDict，这是一个用于类型注解的高级特性，允许你定义字典的键和这些键的类型。
from langchain import hub
- 从langchain包中导入hub模块，这可能是用于管理和交互LangChain生态系统的中心点。
from langchain.text_splitter import RecursiveCharacterTextSplitter
- 从langchain包中的text_splitter模块导入RecursiveCharacterTextSplitter类，这可能是用于文本分割的类。
from langchain_community.document_loaders import (WebBaseLoader, UnstructuredPDFLoader, OnlinePDFLoader, UnstructuredFileLoader, PyPDFDirectoryLoader)
- 从langchain_community包的document_loaders模块中导入多个类，这些类用于加载不同类型的文档，如网页、PDF文件、未结构化文件和目录中的PDF文件。
from langchain_community.vectorstores import Chroma
- 从langchain_community包中的vectorstores模块导入Chroma类，这是用于存储和管理向量的类。
from langchain_community.embeddings import OllamaEmbeddings, GPT4AllEmbeddings
- 从langchain_community包中的embeddings模块导入OllamaEmbeddings和GPT4AllEmbeddings类，这些类用于生成文本的嵌入表示。
from langchain_core.output_parsers import StrOutputParser, JsonOutputParser
- 从langchain_core包中的output_parsers模块导入StrOutputParser和JsonOutputParser类，这些类用于解析输出结果，支持字符串和JSON格式。
from langchain_core.runnables import RunnablePassthrough
- 从langchain_core包中的runnables模块导入RunnablePassthrough类，这是用于处理可执行流程的类。
from langchain.prompts import PromptTemplate, ChatPromptTemplate
- 从langchain包中的prompts模块导入PromptTemplate和ChatPromptTemplate类，这些类用于创建和管理对话提示模板。
from langchain_community.chat_models import ChatOllama
- 从langchain_community包中的chat_models模块导入ChatOllama类，这是用于聊天交互的模型。
from langchain.retrievers.multi_query import MultiQueryRetriever
- 从langchain包中的retrievers模块导入MultiQueryRetriever类，这可能是用于从多个查询中检索信息的类。
from langchain_community.tools.tavily_search import TavilySearchResults
- 从langchain_community包中的tools.tavily_search模块导入TavilySearchResults类，这是用于处理Tavily搜索结果的工具。
这段代码的目的是为一个涉及文本处理、文档加载、嵌入表示、输出解析、聊天模型和搜索结果处理的复杂应用程序设置所需的库和模块。

导入了Langchain运行所必需的各种库和模块。其中包括文本分割、文档加载、向量嵌入、输出解析等模块。每个导入语句都带来了对 NLP 任务的不同方面至关重要的功能。
在这里插入图片描述

大模型技术分享

在这里插入图片描述

《企业级生成式人工智能LLM大模型技术、算法及案例实战》线上高级研修讲座

模块一：Generative AI 原理本质、技术内核及工程实践周期详解
模块二：工业级 Prompting 技术内幕及端到端的基于LLM 的会议助理实战
模块三：三大 Llama 2 模型详解及实战构建安全可靠的智能对话系统
模块四：生产环境下 GenAI/LLMs 的五大核心问题及构建健壮的应用实战
模块五：大模型应用开发技术：Agentic-based 应用技术及案例实战
模块六：LLM 大模型微调及模型 Quantization 技术及案例实战
模块七：大模型高效微调 PEFT 算法、技术、流程及代码实战进阶
模块八：LLM 模型对齐技术、流程及进行文本Toxicity 分析实战
模块九：构建安全的 GenAI/LLMs 核心技术Red Teaming 解密实战
模块十：构建可信赖的企业私有安全大模型Responsible AI 实战

Llama3关键技术深度解析与构建Responsible AI、算法及开发落地实战

1、Llama开源模型家族大模型技术、工具和多模态详解：学员将深入了解Meta Llama 3的创新之处，比如其在语言模型技术上的突破，并学习到如何在Llama 3中构建trust and safety AI。他们将详细了解Llama 3的五大技术分支及工具，以及如何在AWS上实战Llama指令微调的案例。
2、解密Llama 3 Foundation Model模型结构特色技术及代码实现：深入了解Llama 3中的各种技术，比如Tiktokenizer、KV Cache、Grouped Multi-Query Attention等。通过项目二逐行剖析Llama 3的源码，加深对技术的理解。
3、解密Llama 3 Foundation Model模型结构核心技术及代码实现：SwiGLU Activation Function、FeedForward Block、Encoder Block等。通过项目三学习Llama 3的推理及Inferencing代码，加强对技术的实践理解。
4、基于LangGraph on Llama 3构建Responsible AI实战体验：通过项目四在Llama 3上实战基于LangGraph的Responsible AI项目。他们将了解到LangGraph的三大核心组件、运行机制和流程步骤，从而加强对Responsible AI的实践能力。
5、Llama模型家族构建技术构建安全可信赖企业级AI应用内幕详解：深入了解构建安全可靠的企业级AI应用所需的关键技术，比如Code Llama、Llama Guard等。项目五实战构建安全可靠的对话智能项目升级版，加强对安全性的实践理解。
6、Llama模型家族Fine-tuning技术与算法实战：学员将学习Fine-tuning技术与算法，比如Supervised Fine-Tuning(SFT)、Reward Model技术、PPO算法、DPO算法等。项目六动手实现PPO及DPO算法，加强对算法的理解和应用能力。
7、Llama模型家族基于AI反馈的强化学习技术解密：深入学习Llama模型家族基于AI反馈的强化学习技术，比如RLAIF和RLHF。项目七实战基于RLAIF的Constitutional AI。
8、Llama 3中的DPO原理、算法、组件及具体实现及算法进阶：学习Llama 3中结合使用PPO和DPO算法，剖析DPO的原理和工作机制，详细解析DPO中的关键算法组件，并通过综合项目八从零开始动手实现和测试DPO算法，同时课程将解密DPO进阶技术Iterative DPO及IPO算法。
9、Llama模型家族Safety设计与实现：在这个模块中，学员将学习Llama模型家族的Safety设计与实现，比如Safety in Pretraining、Safety Fine-Tuning等。构建安全可靠的GenAI/LLMs项目开发。
10、Llama 3构建可信赖的企业私有安全大模型Responsible AI系统：构建可信赖的企业私有安全大模型Responsible AI系统，掌握Llama 3的Constitutional AI、Red Teaming。

解码Sora架构、技术及应用

一、为何Sora通往AGI道路的里程碑？
1，探索从大规模语言模型(LLM)到大规模视觉模型(LVM)的关键转变，揭示其在实现通用人工智能(AGI)中的作用。
2，展示Visual Data和Text Data结合的成功案例，解析Sora在此过程中扮演的关键角色。
3，详细介绍Sora如何依据文本指令生成具有三维一致性(3D consistency)的视频内容。 4，解析Sora如何根据图像或视频生成高保真内容的技术路径。
5，探讨Sora在不同应用场景中的实践价值及其面临的挑战和局限性。

二、解码Sora架构原理
1，DiT (Diffusion Transformer)架构详解
2，DiT是如何帮助Sora实现Consistent、Realistic、Imaginative视频内容的？
3，探讨为何选用Transformer作为Diffusion的核心网络，而非技术如U-Net。
4，DiT的Patchification原理及流程，揭示其在处理视频和图像数据中的重要性。
5，Conditional Diffusion过程详解，及其在内容生成过程中的作用。
三、解码Sora关键技术解密
1，Sora如何利用Transformer和Diffusion技术理解物体间的互动，及其对模拟复杂互动场景的重要性。
2，为何说Space-time patches是Sora技术的核心，及其对视频生成能力的提升作用。
3，Spacetime latent patches详解，探讨其在视频压缩和生成中的关键角色。
4，Sora Simulator如何利用Space-time patches构建digital和physical世界，及其对模拟真实世界变化的能力。
5，Sora如何实现faithfully按照用户输入文本而生成内容，探讨背后的技术与创新。
6，Sora为何依据abstract concept而不是依据具体的pixels进行内容生成，及其对模型生成质量与多样性的影响。