SpringAI+Ollama三部曲之一：极速体验

码农世界 2024-06-17 后端 93 次浏览 0个评论

欢迎访问我的GitHub

这里分类和汇总了欣宸的全部原创(含配套源码)：https://github.com/zq2599/blog_demos

Spring AI实战全系列链接

Spring AI实战之一：快速体验(OpenAI)
SpringAI+Ollama三部曲之一：极速体验

关于ollama

ollama和LLM（大型语言模型）的关系，类似于docker和镜像，可以在ollama服务中管理和运行各种LLM，下面是ollama命令的参数，与docker管理镜像很类似，可以下载、删除、运行各种LLM

Available Commands:
  serve       Start ollama
  create      Create a model from a Modelfile
  show        Show information for a model
  run         Run a model
  pull        Pull a model from a registry
  push        Push a model to a registry
  list        List models
  cp          Copy a model
  rm          Remove a model
  help        Help about any command

官网：https://ollama.com/
简单的说，有了ollama，咱们就可以在本地使用各种大模型了，ollama支持的全量模型在这里：https://ollama.com/library

官方给出的部分模型

Model	Parameters	Size	下载命令
Llama 3	8B	4.7GB	ollama run llama3
Llama 3	70B	40GB	ollama run llama3:70b
Phi-3	3.8B	2.3GB	ollama run phi3
Mistral	7B	4.1GB	ollama run mistral
Neural Chat	7B	4.1GB	ollama run neural-chat
Starling	7B	4.1GB	ollama run starling-lm
Code Llama	7B	3.8GB	ollama run codellama
Llama 2 Uncensored	7B	3.8GB	ollama run llama2-uncensored
LLaVA	7B	4.5GB	ollama run llava
Gemma	2B	1.4GB	ollama run gemma:2b
Gemma	7B	4.8GB	ollama run gemma:7b
Solar	10.7B	6.1GB	ollama run solar

另外需要注意的是本地内存是否充足，7B参数的模型需要8G内存，13B需要16G内存，33B需要32G内存
关于《SpringAI+Ollama三部曲》系列
- 《SpringAI+Ollama三部曲》是《Spring AI实战》的子系列，特点是专注于使用SpringAI来发挥Ollama的功能，由以下三篇文章构成
  1. 极速体验：用最简单的操作，在最短时间内体验Java调用Ollama的效果
  2. 细说开发：说明《极速体验》的功能对应的整个开发过程，把代码的每一步都说得清清楚楚（含前端）
  3. 延伸扩展：SpringAI为Ollama定制了丰富的功能，以进一步释放Ollama的能力，文章会聚焦这些扩展能力
  本篇概览
  - 本篇聚焦操作和体验，不涉及开发（后面的文章会有详细的开发过程），力求用最短时间完成本地部署和体验，感受Java版本大模型应用的效果
  - 今天要体验的服务，整体部署架构如下
  - 最终效果如下
    
    ollama
    - 今天要做的所有事情汇总如下，嗯，好像挺简单的
    - 接下来咱们开始行动呗，正宗的Java程序员开始参与大模型(应用)相关开发工作了，此刻的我内心是激动的
      
      环境要求
      - 完成本篇的实战需要一台Linux操作系统的电脑(虚拟机、WSL2也行)，电脑上部署了docker+docker-compose，电脑需要8G内存
        确定本篇要用的模型
        
        Ollama支持的模型有很多，这里打算使用通义千问，官方网页
        本次实战选择了较小的1.8b版本，您可以根据自己的实际情况在官网选择其他版本
        稍后会将选好的模型写在配置文件中
        准备工作（操作系统和docker）
        
        本次实战的两个重要前提条件：
        操作系统是Linux，我这里用的是Ubuntu 24.04 LTS服务器版
        docker和docker-compose已经部署好，我这里docker版本是26.1.2
        
        由于docker镜像较大，所以请提前准备好docker镜像加速，方法很多，我这里用的是阿里云的，如下图
        
        前面介绍Ollama时提到过官方对内存的要求，所以这里请确保本次实战的电脑配置不要过低，我这边运行的模型是通义千问的1.8b，总消耗如下
        
        ✗ free -g total used free shared buff/cache available Mem: 31 3 21 0 6 27 Swap: 7 0 7
        
        准备工作（保存文件的目录）
        
        在电脑上准备两个干净目录，用来保存docker容器中的数据，这样即便是容器被销毁了数据也会被保留（例如模型文件），等到再次启动容器时这些文件可以继续使用
        第一个是用来保存ollama的文件，我这里是/home/will/data/ollama
        第二个是用来保存ollama webui的文件，我这里是/home/will/data/webui
        这两个目录会配置到稍后的docker-compose.yml文件中，您要注意同步修改
        准备工作(SpringBoot应用的配置文件application.properties)
        
        准备好SpringBoot应用的配置文件application.properties，这样便于各种个性化设置
        我这边在/home/will/temp/202405/15目录准备好配置文件，内容如下
        spring.ai.ollama.base-url=http://ollama:11434 spring.ai.ollama.chat.options.model=qwen:1.8b spring.ai.ollama.chat.options.temperature=0.7 spring.main.web-application-type=reactive
        
        注意：本篇使用的模型是qwen:1.8b，如果您要用其他模型，请在这里修改好
        至此，准备完毕，进入部署阶段
        部署工作(编写docker-compose文件)
        
        新增名为docker-compose.yml的文件，内容如下
        version: '3.8' services: ollama: image: ollama/ollama:latest ports: - 11434:11434 volumes: - /home/will/data/ollama:/root/.ollama container_name: ollama pull_policy: if_not_present tty: true restart: always networks: - ollama-docker open-webui: image: ghcr.io/open-webui/open-webui:main container_name: open-webui pull_policy: if_not_present volumes: - /home/will/data/webui:/app/backend/data depends_on: - ollama ports: - 13000:8080 environment: - 'OLLAMA_BASE_URL=http://ollama:11434' - 'WEBUI_SECRET_KEY=123456' - 'HF_ENDPOINT=https://hf-mirror.com' extra_hosts: - host.docker.internal:host-gateway restart: unless-stopped networks: - ollama-docker java-app: image: bolingcavalry/ollam-tutorial:0.0.1-SNAPSHOT volumes: - /home/will/temp/202405/15/application.properties:/app/application.properties container_name: java-app pull_policy: if_not_present depends_on: - ollama ports: - 18080:8080 restart: always networks: - ollama-docker networks: ollama-docker: external: false
        
        上面的内容中，前两个volumes的配置对应的是准备工作中新建的两个目录，第三个volumes对应的是刚才新建的application.properties，请按照您的实际情况进行修改
        部署(运行docker-compose)
        
        进入docker-compose.yml文件所在目录，执行以下命令就完成了部署和启动
        docker-compose up -d
        
        本次启动会用到电脑的这三个端口：11434、13000、18080，如果这些端口有的已被使用就会导致启动失败，请在docker-compose.yml上就行修改，改为没有占用就行，然后执行以下命令（先停掉再启动）
        docker-compose down docker-compose up -d
        
        启动期间，下载docker镜像时因为文件较大，需耐心等待（再次提醒，请配置好docker镜像加速）
        启动成功后，控制台显示如下
        [+] Building 0.0s (0/0) [+] Running 4/4 ✔ Network files_ollama-docker Created 0.1s ✔ Container ollama Started 0.2s ✔ Container java-app Started 0.4s ✔ Container open-webui Started
        
        现在服务都启动起来了，但是还不能用，咱们还要把大模型下载下来
        部署（指定大模型）
        
        登录webui服务，地址是http://192.168.50.134:13000，192.168.50.134是运行docker-compose的电脑IP
        
        打开地址，会提示注册或者登录，这里要注册一下
        
        注册成功后显示登录成功的页面，如下图
        
        现在来下载模型，操作如下
        
        输入模型名称然后开始下载
        
        模型下载完成后会有如下提示
        
        可以直接在webui上体验刚下载的模型，尝试了基本的问答，没有问题
        
        至此，部署和启动都完成了，可以体验Java应用了
        
        体验
        
        浏览器打开地址http://192.168.50.134:18080，如下
        效果如下
        ollama
        
        至此，本篇的任务已经完成，一个本地化部署的大模型应用已经就绪，也完成了最基本的体验，过程十分简单（好像也就输入了几行命令，打开浏览器点了几下）
        简单的背后，其实现是否也简单呢？先剧透一下吧，得益于Spring团队的一致性风格，调用Ollama的过程和操作数据库消息队列这些中间件差不多，几行代码几行配置就够了
        至于完整的开发过程，就留到下一篇吧，那里会给出所有源码和说明
        你不孤单，欣宸原创一路相伴
        
        Java系列
        Spring系列
        Docker系列
        kubernetes系列
        数据库+中间件系列
        DevOps系列