开源社区是技术发展的一个重要部分，对于AI大模型来说，也是如此。
我们在这篇文章中来尝试通过开源工具来构建AI大模型的底座，涉及到的技术包括：
- Langchain
- OpenAI
- Flowise
- LocalAI
- Llama
使用Langchain构建第一个对话应用
如果你使用过ChatGPT，你应该知道它是一个基于大语言模型的应用程序，可以与人类进行多轮对话。
为了让大语言模型能够与人类友好的多轮对话，我们需要引入两个额外组件：
- ConversationBufferMemory，它帮助LLM记录我们的对话过程。
- ConversationChain，它帮我们管理整个绘画过程，通过调用BufferMemory中的对话信息，它可以让无状态的LLM了解我们的对话上下文。
我们可以使用下面的代码来通过Langchain实现一个简易版的ChatGPT：
from langchain.llms import OpenAI
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory
import os
os.environ["OPENAI_API_KEY"] = '...'
llm = OpenAI(temperature=0)
mem = ConversationBufferMemory()
# Here it is by default set to "AI"
conversation = ConversationChain(llm=llm, verbose=True, memory=mem)
conversation.predict(input="Hi there!")
通过Flowise零代码搭建LLM应用平台
Flowise官网：https://flowiseai.com/
Flowise is a low-code/no-code drag & drop tool with the aim to make it easy for people to visualize and build LLM apps.
我们可以在Windows/Mac/Linux中安装Flowise，以Linux为例，安装Flowise步骤如下：
- 安装NodeJS
- 安装Docker和Docker compose
- 运行下面的脚本安装和启动Flowise
npm install -g flowise
npx flowise start
我们可以通过http://{server}:3000 来访问Flowise，截图如下：
通过Flowise Portal，我们可以创建新的Chatflow，在打开的flow页面，我们可以通过拖拽的方式，来构建flow：
例如，我们上面提到的通过Langchain来构建简易ChatGPT应用，创建出来的flow如下截图：
我们可以通过页面右上角的对话按钮，对我们的flow进行测试：
在LLM应用中引入领域知识库
在实际应用中，我们可以为模型增加外部记忆，在提示词中引入一些领域知识，来帮助模型提升回答质量。
这种方式的具体步骤如下：
- 对输入文档进行切片，生成语义向量（Embedding），存入向量数据库作为外部记忆。
- 根据所提的问题，检索向量数据库，获取文档中的内容片段。
- 把文档片段和所提的问题一并组织成提示词，提交给大语言模型，让其理解文档内容，针对问题生成恰当的答案。
为了实现这个应用，我们需要引入以下组件：
- Docx File Loader，负责加载外部输入的文档。
- Recursive Character Text Splitter，用来对文档内容进行断句切片。
- OpenAI Embeddings，负责将断句后的内容切片映射成高维Embedding。
- In-Memory Vector Store，负责将Embedding存入数据库中，供LLM作为外部记忆。
- Conversational Retrieval QA Chain，负责根据问题，获得外部知识，在LLM思考生成答案后返回给用户。
使用Flowise构建上述的应用，截图如下：
使用LocalAI做可用LLM应用
我们前面做的LLM应用都依赖于OpenAI API，会有一些风险，我们可以考虑构建本地大模型。
我们可以基于LocalAI开源应用来实现这一点。
下面是搭建过程：
$ git clone https://github.com/go-skynet/LocalAI
$ cd LocalAI
我们使用一个小模型进行部署。
$ wget https://gpt4all.io/models/ggml-gpt4all-j.bin -O models/ggml-gpt4all-j
$ cp -rf prompt-templates/ggml-gpt4all-j.tmpl models/
然后我们可以加载models并将其封装为API服务。
$ docker-compose pull
$ docker-compose up -d
接下来是获取model列表进行验证。
$ curl http://localhost:8080/v1/models
{"object":"list","data":[{"id":"ggml-gpt4all-j","object":"model"}]}
这样我们可以修改Flowise，使用本地模型代替OpenAI。
使用Llama2构建LLM应用
我们还可以使用Llama2来构建LLM应用，这在应用许可上更加友好。
我们可以下载Llama2模型文件。
$ wget -c "https://huggingface.co/TheBloke/Llama-2-7B-chat-GGML/resolve/main/llama-2-7b-chat.ggmlv3.q4_0.bin" ./models
然后重启LocalAI，查看Llama2是否被正常部署。
$ curl -v http://localhost:8080/v1/models
{"object":"list","data":[{"id":"llama-2-7b-chat.ggmlv3.q4_0.bin","object":"model"}]}
我们可以返回Flowise flow，将模型名字修改为llama-2-7b-chat.ggmlv3.q4_0.bin，这样我们就可以使用Llama2来回答我们的问题。
再进一步，我们还可以尝试使用AutoGPT或者AgentGPT来构建更加负责的LLM应用，帮助我们完成更有挑战性的事情。
