整合Ollama实现本地LLMs调用

news2024/11/26 4:29:09

前言

近两年`AIGC`发展的非常迅速，从刚开始的只有`ChatGPT`到现在的很百家争鸣。从开始的大参数模型，再到后来的小参数模型，从一开始单一的文本模型到现在的多模态模型等等。随着一起进步的不仅仅是模型的多样化，还有模型的使用方式。大模型使用的门槛越来越低，甚至现在每个人都可以在自己的电脑上运行模型。今天我们要说的就是大模型工具中的佼佼者`Ollama`,并演示如何通过`C#`来使用`Ollama`。

Ollama

`Ollama`是一个开源的大语言模型（LLM）服务工具，它允许用户在本地PC环境快速实验、管理和部署大型语言模型。它支持多种流行的开源大型语言模型，如 `Llama 3.1`、`Phi 3`、`Qwen 2`、`GLM 4`等，并且可以通过命令行界面轻松下载、运行和管理这些模型。`Ollama`的出现是为了降低使用大型语言模型的门槛，是让大型语言模型更加普及和易于访问。一言以蔽之就是`Ollama让使用模型更简单`。无论是`CPU`或是`GPU`都可以，算力高的话推理速度更快，算力不足的话推理的慢，而且容易胡言乱语。
安装

Ollama的安装方式常用的有两种，一种是去官网下载，另一种是去GitHub下载，可以选择对应的系统版本进行下载

  • • 官网首页直接下载 https://ollama.com/

  • • Github Relase下载 https://github.com/ollama/ollama/releases

我的是Windows操作系统，所以直接下载一路Next就可以，默认安装在C盘无法更改，强迫症的话可以通过mklink做链接，但是自动更新之后还是在C盘。自动升级这一块不用太担心，联网的情况，如果有新版本Ollama会推送更新。

安装完成之后可以修改常用的环境变量

  • • 通过OLLAMA_MODELS环境变量设置模型下载的位置，默认是在C盘，可以换成其他地址。

  • • 通过OLLAMA_HOST设置Ollama服务监听的端口，默认的是11434。

安装完成之后通过version查看，如果显示版本号则安装成功。

ollama --version

比较常用的指令不多，也很简单

  • • ollama list列出本地下载的模型

  • • ollama ps查看正在运行的模型

  • • ollama pull 模型标识下载模型到本地，比如我要下载qwen2 7b则使用ollama pull qwen2:7b

  • • ollama run 模型标识运行模型，如果已下载则直接运行，如果没下载则先下载再运行。比如我要运行qwen2 7b可以直接运行ollama run qwen2:7b

也可以将本地已有的GGUF模型导入到Ollama中去，操作也很简单。

    1. 编写一个名为Modelfile的文件，写入以下内容FROM 模型路径/qwen2-0_5b-instruct-q8_0.gguf
    1. 通过Ollama创建模型ollama create qwen2:0.5b -f Modelfile
    1. 运行刚创建的模型ollama run qwen2:0.5b

需要注意的是运行7B至少需要8GB的内存或显存，运行13B至少需要16GB内存或显存。我电脑的配置信息如下

型号: 小新Pro16 AI元启  
CPU: AMD Ryzen 7 8845H  
内存: 32.0 GB

AMD Ryzen 7 8845H内置NPU，整体算力还可以, 运行运行13B及以下的模型没太大问题。当然这种级别参数大小的模型不会是一个无所不能的模型，这种量级的模型运行成本相对较低，适合做一些特定场景的推理任务。如果需要无所不能的模型建议还是直接使用ChatGPT这种商业模型。

命令启动

下载模型完成之后可以测试运行，通过cmd运行指令，比如我运行起来qwen2:7b模型

这种方式比较简单，只能是文字对话的方式而且没有样式，简单粗暴。

接口访问

Ollama提供服务的本质还是http接口，我们可以通过http接口的方式来调用/api/generate接口

curl http://localhost:11434/api/generate -d '{  
  "model": "qwen2:7b",  
  "prompt": "请你告诉我你知道的天气有哪些？用json格式输出",  
  "stream": false  
}'

  • • model设置模型的名称

  • • prompt提示词

  • • stream设置为false要求不要流式返回

因为是一次性返回所有内容，所以需要等待一会，如果需要流式输出可以设置为true。等待一会后接口返回的信息如下所示

{  
    "model":"qwen2:7b",  
    "created_at":"2024-09-04T06:13:53.1082355Z",  
    "response":"```json\n{\n  \"常见天气\": [\n    {\n      \"类型\": \"晴\",\n      \"描述\": \"天空无云或有少量高薄云，日间阳光充足。\",\n      \"符号\": \"☀️\"\n    },\n    {\n      \"类型\": \"多云\",\n      \"描述\": \"大部分天空被云层覆盖，但能见蓝天，太阳时隐时现。\",\n      \"符号\": \"🌤️\"\n    },\n    {\n      \"类型\": \"阴天\",\n      \"描述\": \"全天或大部分时间云量较多，几乎看不到阳光，光线较暗。\",\n      \"符号\": \"☁️\"\n    },\n    {\n      \"类型\": \"雨\",\n      \"子类型\": [\n        {\n          \"类型\": \"小雨\",\n          \"描述\": \"降水量不大，通常不会形成积水。\",\n          \"符号\": \"🌦️\"\n        },\n        {\n          \"类型\": \"中雨\",\n          \"描述\": \"降水量适中，可能会有局部积水。\",\n          \"符号\": \"🌧️\"\n        },\n        {\n          \"类型\": \"大雨\",\n          \"描述\": \"降水量大，可能伴有雷电和强风。\",\n          \"符号\": \"⛈️\"\n        }\n      ]\n    },\n    {\n      \"类型\": \"雪\",\n      \"子类型\": [\n        {\n          \"类型\": \"小雪\",\n          \"描述\": \"积雪较轻，地面可能仅局部有薄雪覆盖。\",\n          \"符号\": \"❄️\"\n        },\n        {\n          \"类型\": \"中雪\",\n          \"描述\": \"降雪量中等，地面和部分植被可能有积雪。\",\n          \"符号\": \"🌨️\"\n        },\n        {\n          \"类型\": \"大雪\",\n          \"描述\": \"降雪量很大，地面积雪深厚，交通和生活受严重影响。\",\n          \"符号\": \"❄️💨\"\n        }\n      ]\n    },\n    {\n      \"类型\": \"雾\",\n      \"描述\": \"大气中的水汽在地面或近地面凝结形成大量悬浮的微小水滴或冰晶的现象。\",\n      \"符号\": \"🌫️\"\n    },\n    {\n      \"类型\": \"雷阵雨\",\n      \"描述\": \"突然而短暂的强降雨伴有闪电和雷鸣，通常持续时间较短。\",\n      \"符号\": \"⚡🌧️\"\n    }\n  ]\n}\n```",  
    "done":true,  
    "done_reason":"stop",  
    "context":[  
    151644,  
    872,  
    198,  
    //...省略...  
    73594  
    ],  
    "total_duration":70172634700,  
    "load_duration":22311300,  
    "prompt_eval_count":19,  
    "prompt_eval_duration":151255000,  
    "eval_count":495,  
    "eval_duration":69997676000  
}

还有一种比较常用的操作就是大家比较关注的嵌入模型，通俗点就是对文本或者图片、视频等信息进行特征提取转换成向量的方式，这时候需要使用/api/embed接口,请求格式如下所示，这里使用的向量化模型是nomic-embed-text大家可以自行去用ollama pull这个模型

curl http://localhost:11434/api/embed -d '{  
  "model": "nomic-embed-text:latest",  
  "input": "我是中国人，我爱我的祖国"  
}'

嵌入接口返回的数据格式如下所示

{  
    "model":"nomic-embed-text:latest",  
    "embeddings":[  
        [  
        0.012869273,  
        0.015905218,  
        -0.13998738,  
        //...省略很多...  
        -0.035138983,  
        -0.03351391  
        ]  
    ],  
    "total_duration":619728100,  
    "load_duration":572422600,  
    "prompt_eval_count":12  
}

当然Ollama提供的接口还有很多，比如对话、模型管理等待，这里我们就不一一介绍了，有需要的同学可以自行查阅接口文档地址https://github.com/ollama/ollama/blob/main/docs/api.md

可视化UI

上面我们提到了两种方式访问Ollama服务，一种是命令行的方式，另一种是接口的方式。这两种虽然方式原始，但是并没有界面操作显得直观，如果你想通过界面的方式通过Ollama完成对话服务，官方Github推荐的也比较多，有兴趣的同学可以自行查看文档https://github.com/ollama/ollama?tab=readme-ov-file#web–desktop，我选用的是第一个Open WebUI，简单的方式是通过Docker直接运行

docker run -d -p 3000:8080 -e OLLAMA_BASE_URL=https://你的ollama服务ip:11434 -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main

亦或者可以通过构建源码的方式构建启动，按照下面的命令一步一步来

    1. git clone https://github.com/open-webui/open-webui.git
    1. cd open-webui/
    1. cp -RPp .env.example .env（复制一份.env.example文件重命名为.env。Windows系统的话使用copy .env.example .env）
    1. npm install
    1. npm run build
    1. cd ./backend
    1. conda create --name open-webui-env python=3.11（用conda创建一个名为pen-webui-env的虚拟环境）
    1. conda activate open-webui-env（激活虚拟环境）
    1. pip install -r requirements.txt -U（安装python依赖）
    1. bash start.sh（ Windows操作系统的话直接启动start_windows）

如你所见，它是依赖NodeJs和Python的，还需要安装Conda

  • • 🐰 Node.js >= 20.10

  • • 🐍 Python >= 3.11

  • • conda我用的是24.5.0

启动成功后，在浏览器上输入http://localhost:8080/,注册一个用户名登陆进来之后界面如下所示

在这里插入图片描述

可以直接选择模型进行对话，类似ChatGPT那种对话风格。

C#整合Ollama

上面我们了解到了Ollama的基本安装和使用，明白了它的调用是基于Http接口来完成的。其实我也可以参考接口文档自行封装一套调用，但是没必要, 因为有很多现成的SDK可以直接使用。

使用Ollama Sdk

这里使用的C#的SDK就叫0llama，它的Github地址是https://github.com/tryAGI/Ollama, 为什么选择它呢，其实也很简单，因为它支持function call,这方便我们更早的体验新功能。安装它非常简单，相信同学们都会

dotnet add package Ollama --version 1.9.0
简单对话

简单的对话功能上手也没什么难度，都是简单代码

string modelName ="qwen2:7b";  
using var ollama =new OllamaApiClient(baseUri:new Uri("http://127.0.0.1:11434/api"));  
  
Console.WriteLine("开始对话！！！");  
string userInput ="";  
do  
{  
    Console.WriteLine("User:");  
    userInput =Console.ReadLine()!;  
    var enumerable = ollama.Completions.GenerateCompletionAsync(modelName, userInput);  
    Console.WriteLine("Agent:");  
    await foreach(var response in enumerable)  
    {  
        Console.Write($"{response.Response}");  
    }  
    Console.WriteLine();  
} while(!string.Equals(userInput,"exit",StringComparison.OrdinalIgnoreCase));  
Console.WriteLine("对话结束！！！");

模型名称是必须要传递的，而且默认的是流式输出,如果想一次返回同样的是设置stream为false。示例使用的是qwen2:7b模型。执行起来之后便可以直接对话，如下所示

在这里插入图片描述

整体来说国产模型里面qwen2:7b整体的效果还是不错的，至少还不是扭曲事实。

多轮对话

如果需要进行分角色的多轮对话，要换一个方式使用，使用提供的Chat方式，如下所示

string modelName = "glm4:9b";  
using var ollama = new OllamaApiClient(baseUri:new Uri("http://127.0.0.1:11434/api"));  
Console.WriteLine("开始对话！！！");  
string userInput = "";  
List<Message> messages = [];  
do  
{  
    //只取最新的五条消息  
    messages = messages.TakeLast(5).ToList();  
    Console.WriteLine("User:");  
    userInput =Console.ReadLine()!;  
    //加入用户消息  
    messages.Add(new Message(MessageRole.User, userInput));  
    var enumerable = ollama.Chat.GenerateChatCompletionAsync(modelName, messages, stream:true);  
    Console.WriteLine("Agent:");  
    StringBuilder builder =new();  
    await foreach(var response in enumerable)  
    {  
        string content = response.Message.Content;  
        builder.AppendLine(content);  
        Console.Write(content);  
    }  
    //加入机器消息  
    messages.Add(new Message(MessageRole.Assistant, builder.ToString()));  
    Console.WriteLine();  
  
}while(!string.Equals(userInput,"exit",StringComparison.OrdinalIgnoreCase));  
Console.WriteLine("对话结束！！！");

这次换了另一个国产模型glm4:9b, 多轮对话和完全对话使用的对象不同。

  • • 完全对话使用的是Completions对象，多轮对话使用的是Chat对象。

  • • 多轮对话需要用List<Message>存储之前的对话记录，这里模型才能捕获上下文。

运行起来，执行效果如下所示

第一次我问他会c#吗，它说了一堆表示会。第二句我让它写一个简单的示例，但是我并没有说写c#示例，但是它可以通过上面的对话了解到意图，所以直接用c#给我写了一个示例。

function call

高版本的Ollama支持function call，当然这也要求模型也必须支持，如果模型本身不支持，那也是没有效果的，其中llama3.1支持的比较好，美中不足是llama3.1对中文支持的不太好，所以我们简单的演示一下，这里使用的是llama3.1:8b模型，首先需要定义方法，这样和模型对话的时候，框架会把方法的元信息抽出来发给模型，让模型判断调用哪个，这里我简单定义了一个计算增删改查的接口，并实现这个接口。

//定义一个接口，提供元信息  
[OllamaTools]  
public interface IMathFunctions  
{  
    [Description("Add two numbers")]  
    int Add(int a, int b);  
    [Description("Subtract two numbers")]  
    int Subtract(int a, int b);  
    [Description("Multiply two numbers")]  
    int Multiply(int a, int b);  
    [Description("Divide two numbers")]  
    int Divide(int a, int b);  
}  
  
//实现上面的接口提供具体的操作方法  
public class MathService : IMathFunctions  
{  
    public int Add(int a, int b)=> a + b;  
    public int Subtract(int a, int b)=> a - b;  
    public int Multiply(int a, int b)=> a * b;  
    public int Divide(int a, int b)=> a / b;  
}

有了上面的接口和实现类之后，我们就可以通过Ollama使用它们了，使用方式如下

string modelName = "llama3.1:8b";  
using var ollama = new OllamaApiClient(baseUri:new Uri("http://127.0.0.1:11434/api"));  
var chat = ollama.Chat(  
    model: modelName,  
    systemMessage:"You are a helpful assistant.",  
    autoCallTools:true);  
  
//给Ollama注册刚才定义的类  
var mathService = new MathService();  
chat.AddToolService(mathService.AsTools(), mathService.AsCalls());  
  
while(true)  
{  
    try  
    {  
        Console.WriteLine("User>");  
        var newMessage = Console.ReadLine();  
        var msg = await chat.SendAsync(newMessage);  
        Console.WriteLine("Agent> "+ msg.Content);  
    }  
    finally  
    {  
        //打印本次对话的所有消息  
        Console.WriteLine(chat.PrintMessages());  
    }  
}

这里需要设置autoCallTools为true才能自动调用方法，PrintMessages()方法用来打印本轮会话中所有的消息, 一般自动调用function call的时候会产生多次请求，但是我们使用的时候是无感知的，因为框架已将帮我自动处理了，比如我的提示词是一个数学计算公式(12+8)*4/2=?，如下所所示

在这里插入图片描述

通过PrintMessages()方法打印的对话消息可知，虽然我只提供了一句提示词，但是Ollama SDK因为支持自动调用工具，llama3.1:8b将提示词算式(12+8)*4/2)进行了拆分，计算步骤如下所示

  • • 先拆分了括号里的逻辑12+8并调用Add方法得到结果20

  • • 然后第二步用上一步得到的结果调用Multiply计算20*4得到80

  • • 再用上一步的结果调用Divide计算80/2得到结果40

  • • 最后把Tools调用的步骤及结果一起在通过对话发送给llama3.1模型，模型得到最终的输出

如果我们不打印过程日志的话，模型只会输出

Assistant:  
The correct calculation is:  
(12+8)=20  
20*4=80  
80/2=40  
Therefore,the answer is:40.
嵌入模型

上面我们提到过Ollama不仅可以使用对话模型还可以使用嵌入模型的功能，嵌入模型简单的来说就是对文本、图片、语音等利用模型进行特征提起，得到向量数据的过程。通过Ollama SDK可以使用Ollama的嵌入功能，代码如下所示

string modelName = "nomic-embed-text:latest";  
HttpClient client = new HttpClient();  
client.BaseAddress = new Uri("http://127.0.0.1:11434/api");  
client.Timeout = TimeSpan.FromSeconds(3000);  
using var ollama = new OllamaApiClient(client);  
var embeddingResp = await ollama.Embeddings.GenerateEmbeddingAsync(modelName,"c#是一门不错的编程语言");  
Console.WriteLine($"[{string.Join(",", embeddingResp.Embedding!)}]");

得到的就是如下所示的向量信息

向量数据是可以计算相似度的，利用余弦夹角的概念可以计算向量的空间距离，空间距离越近，两个向量的相似度便越高。如果大家了解颜色表RGB的话就比较容易理解，举个例子(255, 0, 0)就是纯红色，(255, 10, 10)也是红色，但是不是纯红色。如果把(255, 0, 0)和(255, 10, 10)映射到一个三维的空间坐标图上它们的距离就很近，但是它们和纯蓝色(0, 0, 255)的空间距离就很远，因为一个贴近X轴，一个贴近Z轴。现在大家锁熟知的向量数据库，大概采用的就是类似的原理。也是现在流行的RAG检索增强生成的基础。

比如我把下面两句话嵌入模型得到向量值，然后通过计算余弦夹角来比较它们的相似度

var embeddingResp = await ollama.Embeddings.GenerateEmbeddingAsync(modelName,"c#是一门不错的编程语言");  
var embeddingResp2 = await ollama.Embeddings.GenerateEmbeddingAsync(modelName,"c#是很好的语言");  
Console.WriteLine("相似度："+CosineSimilarity([.. embeddingResp.Embedding!],[.. embeddingResp2!.Embedding]));  
  
//计算余弦夹角  
public static double CosineSimilarity(double[] vector1, double[] vector2)  
{  
    if(vector1.Length!= vector2.Length)  
        throw new ArgumentException("向量长度必须相同");  
  
    double dotProduct =0.0;  
    double magnitude1 =0.0;  
    double magnitude2 =0.0;  
  
    for(int i =0; i < vector1.Length; i++)  
    {  
        dotProduct += vector1[i]* vector2[i];  
        magnitude1 += vector1[i]* vector1[i];  
        magnitude2 += vector2[i]* vector2[i];  
    }  
  
    magnitude1 =Math.Sqrt(magnitude1);  
    magnitude2 =Math.Sqrt(magnitude2);  
  
    if(magnitude1 ==0.0|| magnitude2 ==0.0)  
        return0.0;// 避免除以零  
    return dotProduct /(magnitude1 * magnitude2);  
}

上面的得到的相似度结果是

相似度：0.9413230998586363

因为它们两句话表达的含义差不多，所以相似度很高。但是如果我要计算下面的两句话的相似度

var embeddingResp =  await ollama.Embeddings.GenerateEmbeddingAsync(modelName, "c#是一门不错的编程语言");  
var embeddingResp2 = await ollama.Embeddings.GenerateEmbeddingAsync(modelName, "我喜欢吃芒果和草莓");

那么利用余弦值计算出来它们的相似度只有0.59，因为这两句话几乎没有任何关联。

相似度：0.5948448463206064
多模态模型

刚开始的对话模型都比较单一，都是简单的文本对话，随着不断的升级，有些模型已经支持多种格式的输入输出而不仅仅是单一的文本，比如支持图片、视频、语音等等，这些模型被称为多模态模型。使用Ollama整合llava模型体验一把，这里我是用的是llava:13b。我在网上随便找了一张图片存放本地

在这里插入图片描述

用这张图片对模型进行提问，代码如下所示

HttpClient client = new HttpClient();  
client.BaseAddress = new Uri("http://127.0.0.1:11434/api");  
client.Timeout = TimeSpan.FromSeconds(3000);  
using var ollama =new OllamaApiClient(client);  
string modelName = "llava:13b";  
string prompt = "What is in this picture?";  
System.Drawing.Image image = System.Drawing.Image.FromFile("1120.jpg");  
var enumerable = ollama.Completions.GenerateCompletionAsync(modelName, prompt, images:[BitmapToBase64(image)], stream:true);  
await foreach(var response in enumerable)  
{  
    Console.Write($"{response.Response}");  
}  
  
//Image转base64  
public static string BitmapToBase64(System.Drawing.Image bitmap)  
{  
    MemoryStream ms1 =newMemoryStream();  
    bitmap.Save(ms1,System.Drawing.Imaging.ImageFormat.Jpeg);  
    byte[] arr1 =newbyte[ms1.Length];  
    ms1.Position=0;  
    ms1.Read(arr1,0,(int)ms1.Length);  
    ms1.Close();  
    returnConvert.ToBase64String(arr1);  
}

我用提示词让模型描述图片里面的内容，然后把这张图片转换成base64编码格式一起发送给模型，模型返回的内容如下所示

在这里插入图片描述

确实够强大，描述的信息很准确，措词也相当不错，如果让人去描述图片中的内容，相信大部分人描述的也没这么好，不得不说模型越来越强大了。

使用SemanticKernel

除了整合Ollama SDK以外,你还可以用Semantic Kernel来整合Ollama，我们知道默认情况下Semantic Kernel只能使用OpenAI和Azure OpenAI的接口格式，但是其他模型接口并不一定和OpenAI接口格式做兼容，有时候甚至可以通过one-api这样的服务来适配一下。不过不用担心Ollama兼容了OpenAI接口的格式，即使不需要任何的适配服务也可以直接使用，我们只需要重新适配一下请求地址即可。

using HttpClient httpClient = new HttpClient(new RedirectingHandler());  
httpClient.Timeout = TimeSpan.FromSeconds(120);  
  
var kernelBuilder = Kernel.CreateBuilder()  
.AddOpenAIChatCompletion(  
       modelId:"glm4:9b",  
       apiKey:"ollama",  
       httpClient: httpClient);  
Kernel kernel = kernelBuilder.Build();  
  
var chatCompletionService = kernel.GetRequiredService<IChatCompletionService>();  
OpenAIPromptExecutionSettings openAIPromptExecutionSettings = new()  
{  
    ToolCallBehavior=ToolCallBehavior.AutoInvokeKernelFunctions  
};  
  
var history = newChatHistory();  
string? userInput;  
do  
{  
    Console.Write("User > ");  
    userInput =Console.ReadLine();  
    history.AddUserMessage(userInput!);  
  
    var result = chatCompletionService.GetStreamingChatMessageContentsAsync(  
        history,  
        executionSettings: openAIPromptExecutionSettings,  
        kernel: kernel);  
    string fullMessage ="";  
    System.Console.Write("Assistant > ");  
    await foreach(var content in result)  
    {  
        System.Console.Write(content.Content);  
        fullMessage += content.Content;  
    }  
    System.Console.WriteLine();  
  
    history.AddAssistantMessage(fullMessage);  
}while(userInput is not null);  
  
  
public class RedirectingHandler : HttpClientHandler  
{  
    protected override Task<HttpResponseMessage> SendAsync(  
        HttpRequestMessage request, CancellationToken cancellationToken)  
    {  
        var uriBuilder =new UriBuilder(request.RequestUri!){ Scheme="http",Host="localhost",Port=11434 };  
        //对话模型  
        if(request!.RequestUri!.PathAndQuery.Contains("v1/chat/completions"))  
        {  
            uriBuilder.Path="/v1/chat/completions";  
            request.RequestUri= uriBuilder.Uri;  
        }  
        //嵌入模型  
        if(request!.RequestUri!.PathAndQuery.Contains("v1/embeddings"))  
        {  
            uriBuilder.Path="/v1/embeddings";  
            request.RequestUri= uriBuilder.Uri;  
        }  
        return base.SendAsync(request, cancellationToken);  
    }  
}

这里我们使用的是国产模型glm4:9b,需要注意的是因为这里我们使用的是本地服务，所以需要适配一下服务的地址，通过编写RedirectingHandler类，并用其构造一个HttpClient实例传递给Kernel。细心的同学可能已经发现了，这里我转发的Ollama服务的路径也变成了和OpenAI服务一样的路径，但是上面我调用Ollama服务用的是/api/chat和/api/embed这种地址的接口。这是因为Ollama为了兼容OpenAI的标准，专门开发了一套和OpenAI路径和参数都一样的接口，这一点是需要注意的。当然Ollama暂时还没有全部兼容OpenAI接口的全部特征，有兴趣的同学可以去看一下https://github.com/ollama/ollama/blob/main/docs/openai.md文档地址，了解更详细的内容。

上面的服务运行起来，我们同样可以进行对话，效果如下所示

在这里插入图片描述

同样的你可以通过SemanticKernel使用嵌入模型的功能，如下所示

using HttpClient httpClient = new HttpClient(new RedirectingHandler());  
httpClient.Timeout = TimeSpan.FromSeconds(120);  
  
var kernelBuilder =Kernel.CreateBuilder()  
    .AddOpenAITextEmbeddingGeneration(  
       modelId:"nomic-embed-text:latest",  
       apiKey:"ollama",  
       httpClient: httpClient);  
Kernel kernel = kernelBuilder.Build();  
var embeddingService = kernel.GetRequiredService<ITextEmbeddingGenerationService>();  
var embeddings = await embeddingService.GenerateEmbeddingsAsync(["我觉得c#是一门不错的编程语言"]);  
Console.WriteLine($"[{string.Join(",", embeddings[0].ToArray())}]");

这里休要注意的是AddOpenAITextEmbeddingGeneration方法是评估方法，将来版本有可能会删除的，所以默认的用VS使用该方法会有错误提醒，可以在csproj的PropertyGroup标签中设置一下NoWarn来忽略这个提醒。

<PropertyGroup>  
   <OutputType>Exe</OutputType>  
   <TargetFramework>net8.0</TargetFramework>  
   <NoWarn>SKEXP0010;SKEXP0001</NoWarn>  
</PropertyGroup>

总结

本文介绍了如何通过`C#`结合`Ollama`实现本地大语言模型的部署与调用，重点演示了在`C#`应用中集成该功能的具体步骤。通过详细的安装指南与代码示例，帮助开发者快速上手。

  • • 首先我们介绍了Ollama的安装及基本设置和命令的使用。

  • • 然后介绍了如何通过Ollama调用大模型,比如使用命令行、Http接口服务、可视乎界面。

  • • 再次我们我们通过C#使用了Ollama SDK来演示了对话模式、文本嵌入、多模态模型如何使用，顺便说了一下相似度计算相关。

  • • 最后，我们展示了通过Semantic Kernel调用Ollama服务，因为Ollama对OpenAI的接口数据格式做了兼容，虽然还有部分未兼容，但是日常使用问题不大。

    通过本文希望没有了解过大模型的同学可以入门或者大概了解一下相关的基础，毕竟这是近两年或者未来几年都比较火的一个方向。即使我们不能深入的研究他，但是我们也得知道它了解它的基本原理与使用。我们为什么要持续学习，因为这些东西很多时候确实是可以给我们提供方便。接触它，了解它，才能真正的知道它可以帮助我解决什么问题。

​

如何学习AI大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

img

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

img

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

img

四、AI大模型商业化落地方案

img

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2202061.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

JavaScript 第2章 基本语法

JavaScript 第2章 基本语法

第二部分&#xff1a;基本语法 第2章&#xff1a;基本语法 变量声明&#xff1a;let, const, var 变量声明 var&#xff1a;全局或函数级作用域&#xff0c;可重复声明同名变量。let&#xff1a;块级作用域&#xff0c;不可重复声明同名变量。const&#xff1a;块级作用域&…
阅读更多...
WGCNA加权基因共表达网络多步法分析学习

WGCNA加权基因共表达网络多步法分析学习

之前笔者介绍过一步法的分析的流程&#xff1a; WGCNA加权基因共表达网络一步法分析学习 https://mp.weixin.qq.com/s/2Q37RcJ1pBy_WO1Es8upIg 建议先看一下之前的推文&#xff0c;了解一下WGCNA的基础原理。 这次就来介绍一下多步法 分析步骤&#xff1a; 1.导入 rm(list…
阅读更多...
安全工具 | 搭建带有 Web 仪表板的Interact.sh

安全工具 | 搭建带有 Web 仪表板的Interact.sh

介绍 Interactsh 是一个用于检测带外交互的开源工具。它是一种旨在检测导致外部交互的漏洞的工具。本文将主要介绍在子域上设置私有 Interact.sh 服务器以及部署其 Web 应用程序。只需一个 AWS EC2 或 VPS 实例和一个域。 要求 •具有静态IP的AWS EC2 / VPS •拥有自己的域…
阅读更多...
A CXL-Powered Database System: Opportunities and Challenges——论文阅读

A CXL-Powered Database System: Opportunities and Challenges——论文阅读

ICDE 2024 Paper CXL论文阅读笔记整理 背景 Compute Express Link&#xff08;CXL&#xff09;是处理器和设备&#xff08;如内存缓冲区&#xff09;之间的开放式行业标准互连协议&#xff0c;基于CXL的内存架构如图1所示&#xff0c;拥有高带宽、低延迟以及对一致性和内存语…
阅读更多...
Java 的数据结构整理（整合版）

Java 的数据结构整理（整合版）

Java 的数据结构整理&#xff08;整合版&#xff09; 一、数据输入输出 https://www.runoob.com/java/java-scanner-class.html 这部分是为了预防 leetcode 刷习惯了&#xff0c;忘记怎么处理输入输出的问题 数据输入 Java的数据输入和 C 相比非常繁琐&#xff0c;因此大多…
阅读更多...
双十一有哪些不容错过的电子产品？看完不信你还不心动！

双十一有哪些不容错过的电子产品？看完不信你还不心动！

2024年双十一购物庆典即将上演&#xff0c;各大电商将携众多精品数码产品亮相&#xff0c;涵盖最新智能手机、笔记本、平板及智能手表等。这些产品集时尚外观与高端性能于一身&#xff0c;旨在满足用户多元化需求&#xff0c;如提升工作效率、享受娱乐时光、优化出行体验等。为…
阅读更多...
中国上市药品目录集数据库查询方法-支持数据下载

中国上市药品目录集数据库查询方法-支持数据下载

《中国上市药品目录集》由国家食品药品监督管理总局以数据库形式发布并实时更新&#xff0c;由CDE负责日常维护和管理。《中国上市药品目录集》收录了在中国批准上市的创新药、改良型新药、化学药品新注册分类的仿制药以及通过质量和疗效一致性评价的药品的具体信息。这个目录集…
阅读更多...
jmeter入门： 安装

jmeter入门： 安装

1. download Apache JMeter - Download Apache JMeter 2. 解压jmeter包 3. 安装插件Install :: JMeter-Plugins.org 下载jar包&#xff0c;放到lib/ext目录 4. 打开jmeter &#xff08;可以看到插件管理选项&#xff09;
阅读更多...
Autoware.universe-红绿灯识别程序调试

Autoware.universe-红绿灯识别程序调试

1、环境 gpu&#xff1a;RTX3070 操作系统&#xff1a;ubuntu 22.04 显卡驱动支持的最高cuda版本&#xff1a;cuda 12.6 cuda运行版本&#xff1a;cuda 12.3&#xff08;注&#xff1a;cuda运行版本需要小于显卡驱动支持的最高cuda版本&#xff09; 2、仓库 https://gitee.com/…
阅读更多...
UR-vnc如何卸载和重新安装

UR-vnc如何卸载和重新安装

urvnc资源下载https://download.csdn.net/download/xiaoding_ding/87610583 场景&#xff1a;有时候我们安装ur机器人vnc的时候没有完全安装完就拔了U盘&#xff0c;会出现一直登陆一直提示密码错误。这个时候就需要我们卸载这个vnc,然后重新进行安装了。 如果不卸载会提示已…
阅读更多...
人工智能：超越人类思维的边界

人工智能：超越人类思维的边界

人工智能在追求真理和正确性方面面临诸多挑战&#xff0c;而人类的思维方式在其中扮演着重要角色。然而&#xff0c;新一代的人工智能正通过更具实验性的方法&#xff0c;力图在机器学习领域实现远超人类的突破。 AlphaGo&#xff1a;人工智能的里程碑 提及人工智能的突破&…
阅读更多...
全闪 SDS 一体机提供 FC 能力承载医院核心业务

全闪 SDS 一体机提供 FC 能力承载医院核心业务

邹平市人民医院使用 X3000 SDS 一体机组建分布式存储集群&#xff0c;通过 FC 接口 与 VMware 集群连接&#xff0c;以全闪池承载核心业务&#xff0c;对象存储承载 PACS 数据&#xff0c;实现存储架构的升级改造。 “新医改”的不断推进&#xff0c;对医院的运营管理、服务质…
阅读更多...
洗衣店管理升级：Spring Boot订单系统

洗衣店管理升级：Spring Boot订单系统

4系统概要设计 4.1概述 本系统采用B/S结构(Browser/Server,浏览器/服务器结构)和基于Web服务两种模式&#xff0c;是一个适用于Internet环境下的模型结构。只要用户能连上Internet,便可以在任何时间、任何地点使用。系统工作原理图如图4-1所示&#xff1a; 图4-1系统工作原理…
阅读更多...
楼宇电力测量有什么特点

楼宇电力测量有什么特点

楼宇电力测量作为现代建筑管理中不可或缺的一环&#xff0c;其特点体现在多个方面&#xff0c;涵盖了测量的准确性、实时性、高效性以及对于节能和能源管理的重要性。这些特点使得楼宇电力测量系统在现代建筑管理中发挥着越来越重要的作用&#xff0c;为建筑行业的绿色发展和可…
阅读更多...
华为Eth-trunk链路聚合加入到E-trunk实现跨设备的链路聚合

华为Eth-trunk链路聚合加入到E-trunk实现跨设备的链路聚合

一、适用场景&#xff08;注&#xff1a;e-trunk与eth-trunk是2个不同的概念&#xff09; 1、企业中有重要的server服务器业务不能中断的情况下&#xff0c;可将上行链路中的汇聚交换机&#xff0c;通过eth-trunk链路聚合技术&#xff0c;实现链路故障后&#xff0c;仍有可用的…
阅读更多...
Elasticsearch(看这一篇就够了)

Elasticsearch(看这一篇就够了)

目录&#xff1a; Elasticsearch介绍正排索引和倒排索引Elasticsearch安装安装ES服务安装服务安装kibana 索引操作创建索引查询索引库修改索引库删除索引库 Elasticsearch常用操作文档操作新增文档查询文档删除文档根据id批量查询文档查询所有文档修改文档部分字段 域的属性分词…
阅读更多...
Nacos微服务配置管理和拉取

Nacos微服务配置管理和拉取

目录 前言 需求分析 解决方案 实现步骤 进入nacos控制面板 新建配置 项目配置获取步骤 统一配置管理步骤 引入Nacos的配置管理客户端依赖 新建bootstrap.yml文件 更改application.yml文件 测试 总结 前言 回顾之前的微服务项目结构&#xff0c;搭建了两个微服务&a…
阅读更多...
Day06-数据库服务存储引擎

Day06-数据库服务存储引擎

Day-06-数据库存储引擎知识 1、数据库联合索引应用2、数据库索引扩展信息&#xff08;扩展列信息说明&#xff09;3、数据库索引应用总结4、数据库存储引擎概述5、数据库存储引擎种类6、数据库存储引擎特性&#xff08;Innodb&#xff09;Innodb vs MyISAM7、数据库存储引擎应用…
阅读更多...
Web前端入门

Web前端入门

文章目录 前言1 Web前端概述1.1 网站和网页1.2 HTML语言1.3 网页的形成1.4 常用浏览器1.5 浏览器内核&#xff08;渲染引擎)1.6 web标准 2 HTML标签2.1 开发工具2.2 HTML语法规则2.3 标签的关系2.4 HTML注释标签2.5 结构标签 3 常用标签3.1 标题标签3.2 段落标签3.3 换行标签3.…
阅读更多...
开源城市运动预约的工具类小程序源码

开源城市运动预约的工具类小程序源码

运动场馆预约小程序是一款主要针对城市运动预约的工具类程序&#xff0c; 产品主要服务人群为20-45岁运动爱好者&#xff0c; 程序前后端完整代码&#xff0c;包括场馆动态&#xff0c;运动常识&#xff0c;羽毛球场地预约&#xff0c;足球场地预约&#xff0c;篮球场地预约&a…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023