Gemma 2 ：使用 Ollama 或 Hugginface 构建 RAG（检索增强生成）管道。了解高级 RAG、部署策略。
Hi，这里是Aitrainee，欢迎阅读本期新文章。
没错，这两天关于Gemma2 9B、27B开源的消息又刷屏了，如果你还不知道的话，可以搜搜看看，还是挺不错的。
▲ 从这组官方的对比数据看出，能力已经力压llama3，甚至gemma:27b的能力也接近了llama3 70b，看来模型真的是在往小了发展，越来越接地气，我们老百姓的普通电脑配置也能跑起来！
既然老百姓的普通电脑都能跑了（9B），那我们就介绍使用 Gemma 2 构建 RAG的全过程：
步骤一：下载和安装Gemma 2
首先，您需要在本地计算机上安装Ollama，这是一个终端应用程序，可以帮助您下载大型语言模型，例如Gemma 2。只需打开终端，复制并粘贴以下命令即可：ollama run gemma2。这将把模型下载到你的计算机上。
我已经完成了这一步，现在我们继续在代码编辑器中安装必要的包。
# 要下载的软件包列表
```python
# 安装所需的软件包
#!pip install transformers
#!pip install langchain-chroma
#!pip install langchain
#!pip install langchain_community
#!pip install langchainhub
#pip install langchain-huggingface
#pip install --upgrade --quiet langchain sentence_transformers
#!pip install -U "huggingface_hub[cli]"
#!huggingface-cli login步骤二：加载和转换数据
接下来，我们将从一个网站加载数据，这里选择了关于LeBron James的网站。尽管有观众在我之前的视频中表示偏好其他球员，但我选择这个网站是因为它包含了复杂的数据，能够很好地测试模型的性能。我们将使用一个网络数据加载器来加载数据，并将其转换为一个名为Chroma DB的向量数据库。
from langchain_community.document_loaders import WebBaseLoader
# 加载数据
loader = WebBaseLoader("https://www.nba.com/player/2544/lebron-james")
data = loader.load()
data
from langchain.vectorstores import Chroma
from langchain_huggingface import HuggingFaceEmbeddings
# 使用 HuggingFace 的嵌入模型
embeddings_model = HuggingFaceEmbeddings() # 例如 sentence-transformers/all-mpnet-base-v2
# 创建 Chroma 向量数据库
vectorstore = Chroma.from_documents(documents=data, embedding=embeddings_model, persist_directory="./chroma_db")
步骤三：构建RAG管道
在这个步骤中，我们将导入所需的各种包，如chatolama、output parser、chat prompt等，并导入Transformers包。接着，使用chatolama加载Gemma 2模型，并从Lang chain Hub导入一个RAG prompt。我们会创建一个QA链，传入我们选择的LLM（Gemma 2）、检索器和RAG prompt，然后运行这个链，传入问题并检视结果。
from langchain_community.chat_models importChatOllama
from langchain_core.output_parsers importStrOutputParser
from langchain_core.prompts importChatPromptTemplate
from langchain.chains importRetrievalQA
from langchain import hub
from langchain_huggingface.llms importHuggingFacePipeline
from transformers importAutoModelForCausalLM,AutoTokenizer, pipeline
# 使用 ChatOllama 模型
llm =ChatOllama(model="gemma2")
# 拉取 RAG 提示模板
prompt = hub.pull("rlm/rag-prompt")
# 使用向量数据库创建检索器
vectorstore =Chroma(persist_directory="./chroma_db", embedding_function=HuggingFaceEmbeddings())
# 创建 RetrievalQA 链
qa_chain =RetrievalQA.from_chain_type(
llm,
retriever=vectorstore.as_retriever(),
chain_type_kwargs={"prompt": prompt}
)
# 提问并获取结果
question ="这些统计数据属于谁？"
result = qa_chain({"query": question})
# 输出结果
print(result["result"])
以上代码包含了所有步骤，从安装软件包、加载数据、创建向量数据库到创建 RAG 管道，并最终进行问答。
