文章/答案/技术大牛

发布

社区首页 >专栏 >SpringAI+Ollama三部曲之一：极速体验

SpringAI+Ollama三部曲之一：极速体验

程序员欣宸

发布于 2024-05-26 06:33:27

1.2K00

代码可运行

文章被收录于专栏：实战docker实战docker

运行总次数：0

代码可运行

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

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
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
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）
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

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2024-05-18，如有侵权请联系 cloudcommunity@tencent.com 删除

工作