随着AI技术的发展和各种大模型聊天助手的普及，类ChatGPT服务在我们的日常工作生活中扮演着越来越重要的角色。作为普通用户，我现在使用类ChatGPT服务越来越高频了：想查个技术点，了解某个概念，或者写一篇文档的思路等，都会首先问问大模型聊天机器人。作为一名技术人员，很自然地会想到自己亲手去搭建一个大模型聊天机器人。
1. 前提条件
我们来看看，搭建一个这样的聊天机器人，需要什么条件？
1.使用开源的大模型。我们先不去管大模型是怎么训练而成的，而是把它当成一个黑盒子，类似于某种标准模块，它可以根据查询（一段文字）生成结果（另一段文字）。很多大模型厂商发布了开源的模型，我们可以直接拿来使用。
2.大模型的推理框架，也就是运行时环境。所谓推理，就是根据查询生成结果的过程。大模型在逻辑上是一堆神经网络参数，存储形式是一个二进制文件，对这个文件的加载和调用需要深度学习相关知识，得益于大模型良好的生态，有很多开源的推理框架可以帮我们做到这一点。
3.聊天服务的前端UI。这块也有很多现成的开源项目。
4.运行大模型推理的硬件。我们知道大模型的训练需要大量的GPU等资源，而推理虽然需要的资源较少，但推理的速度与硬件配置高低有很大关系。影响推理速度的关键资源是GPU和内存，更多的GPU、更大的内存，推理速度就会更快。同样得益于技术社区的努力，一些基础的大模型（如llama 7b）也能够在CPU上运行，只是速度可能稍慢，这对于没有独立显卡的普通PC或笔记本用户来说是一个福音。
参照以上条件，我们的任务就比较简单了。
2. 相关资源
去哪里获取大模型？
Hugging Face网站（huggingface.co）是一家开发自然语言处理（NLP）和机器学习相关工具、并提供大模型托管服务的平台，相当于机器学习领域的github（不过国内不能访问，你懂的）。可以在这个网站上找到并下载各种预训练或经过微调的大模型。
国内阿里旗下的魔塔社区（modelscope.cn）也是同类型的网站，同样可以下载各种模型文件。不过魔塔社区的影响力不如Hugging Face，很多大模型都是优先在Hugging Face上发布，魔塔社区只是搬运，魔塔上很多模型包括Qwen2的说明文档都是英文的。不过由于Hugging Face在国内不能访问（需要翻墙），将魔塔社区作为平替也是可以的。
去哪里找大模型推理和前端UI框架？
对于开发人员，结合搜索引擎，很容易在github上找到各种大模型推理和前端UI项目，关注大模型相关社区或公众号也是一个较好的途径。
3.软硬件环境
我使用的电脑是苹果iMac（M1芯片），16G内存。M1芯片集成了CPU、GPU和NPU，CPU和GPU共享内存池，我这款电脑是8核CPU+7核GPU+16核神经网络引擎。理论上GPU和NPU都能够加速推理过程，不过由于M1芯片推出时间较早，可能没有针对大模型适配。
llama.cpp
纯C/C++实现
高性能，没有额外内存分配
没有第三方依赖
针对苹果芯片进行了优化
支持多种硬件和OS，包括Mac、Linux、Windows等
自带一个Web Server和基于web的聊天客户端
Python3
在机器学习领域，主流的编程语言是python，很多大模型周边的工具都是用python实现的，所以我们需要python3运行环境。我的系统上已经安装了python3，如果没有，需要自行安装一下。
4.操作步骤
git clone https://github.com/ggerganov/llama.cppcd llama.cpp
2.编译llama.cpp
make
在Mac上编译，默认会打开GPU推理。
编译完之后，我们看看产出物，下图红色的是生成的可执行文件，其中：
llama-cli 是以命令行运行大模型的命令。
llama-server 是以web server启动大模型推理服务。
3.下载大模型
pip3 install huggingface_hub
我们使用阿里近期发布的Qwen2大模型，我选择的是 Qwen2-7B-Instruct-GGUF （https://huggingface.co/Qwen/Qwen2-7B-Instruct-GGUF/tree/main）
cd models #下载的模型文件需要放在llama.cpp/models目录下huggingface-cli download Qwen/Qwen2-7B-Instruct-GGUF qwen2-7b-instruct-q5_0.gguf --local-dir . --local-dir-use-symlinks False
下载完，在llama.cpp/models目录下检查模型文件是否存在：
4.启动推理服务器
cd .../llama-cli -m ./models/qwen2-7b-instruct-q5_0.gguf -n 256 --repeat_penalty 1.0 --color -i -r "User:" -f prompts/chat-with-bob.txt
不知道它为什么会回答欧洲杯是在法国举办的？难道是通义千问训练数据的问题？
./llama-server -m ./models/qwen2-7b-instruct-q5_0.gguf -c 4096
可以看到如下输出：
Web服务器在本机的8080端口监听，我们可以用浏览器打开http://127.0.0.1:8080/ 看下，在这个页面，可以进行简单的对话了，我录了个屏，回答还算顺畅，但是准确率就不提了（首都位于中国东部。。。）
5.运行聊天客户端UI
#重新开个终端窗口执行：cd examples/server/public_simplechatpython3 -m http.server 8088
生成速度还是比较快的，但是通义千问对llama.cpp的介绍可以说是胡说八道，也就是出现幻觉，原因可能是Qwen2-7B的训练数据集中没有相应的语料。
5.结论
以上内容就是在本人在PC上搭建大模型聊天机器人的全部过程，虽然比较简陋，离实用还有很大距离，不过基本上跑通了大模型聊天机器人的部署流程。我是以Mac为例介绍的，但对Windows或Linux系统也应该是适用的。如果你有兴趣也可以尝试一下，欢迎评论交流。
