核心内容摘要
91制作
Ollama是一个开源项目专注于开发和部署大语言模型特别是像LLaMA这样的模型用于生成高质量的文本和进行复杂的自然语言处理任务。
Ollama的目标是让大语言模型的运行和使用变得更加容易和普及而无需复杂的基础设施或深度的机器学习知识。
GitHub地址github.com/ollama/olla…RAG是什么检索生成增强Retrieval-Augmented GenerationRAG是一种结合了检索Retrieval和生成Generation两种技术的自然语言处理方法主要用于改进文本生成任务的性能如问答系统、对话系统、文本摘要和文档生成等。
RAG模型通过在生成模型的基础上引入一个检索模块来增强生成模型的准确性和丰富性。
在传统的生成模型中模型完全依赖于训练数据中学习到的模式和统计信息来生成文本这可能导致生成的内容缺乏新颖性或准确性。
而检索模块则可以从外部知识库或文档中检索相关的信息将这些信息作为额外的输入提供给生成模型从而帮助生成更准确、更丰富和更具体的文本。
具体来说RAG模型的工作流程如下检索阶段模型首先根据输入的查询或上下文从外部知识库中检索出与之最相关的文档或片段。
融合阶段检索到的信息与输入的查询或上下文进行融合形成增强的输入。
生成阶段增强后的输入被送入生成模型生成模型根据这些信息生成最终的文本输出。
通过这种方式RAG模型能够在生成过程中利用到外部知识提高了生成文本的准确性和丰富性同时也增强了模型的可解释性因为生成的文本可以追溯到具体的来源。
RAG模型在处理需要大量领域知识或具体事实信息的任务时表现出了显著的优势。
SimpleRAG介绍A simple RAG demo based on WPF and Semantic Kernel.SimpleRAG是基于WPF与Semantic Kernel实现的一个简单的RAG应用可用于学习与理解如何使用Semantic Kernel构建一个简单的RAG应用。
GitHub地址github.com/Ming-jiayou…主要功能AI聊天支持所有兼容OpenAI格式的大语言模型文本嵌入支持所有兼容OpenAI格式的嵌入模型简单的RAG回答简单的RAG回答效果对比不使用RAG的回答使用Ollama本地离线体验SimpleRAG来到SimpleRAG的GitHub参考注意到这里有个Releases点击SimpleRAG-v
0.
1有两个压缩包一个依赖net
0-windows框架一个独立依赖框架的包会小一些独立的包会大一些如果你的电脑已经装了net
0-windows框架可以选择依赖框架的包考虑到可能大部分人不一定装了net
0-windows框架我以独立的包做演示点击压缩包就在下载了解压该压缩包打开appsettings.json文件appsettings.json文件如下所示在你的电脑上启动Ollama在命令行中输入ollama list 查看已经下载的模型由于我电脑的配置不是很好对话模型以gemma2:2b为例嵌入模型以bge-m3:latest为例appsettings.json文件这样写Endpoint输入Ollama的地址默认是http://localhost:11434Ollama不需要Api Key随便写。
现在点击SimpleRAG.exe即可运行程序程序运行之后如下所示先通过AI聊天测试配置是否成功配置已经成功。
现在来测试一下嵌入。
先拿一个简单的文本进行测试bash 代码解读 复制代码 小k最喜欢的编程语言是C#。
嵌入成功这个Demo程序为了方便存储文本向量使用的是Sqlite数据库在这里可以看到如果你有数据库管理软件的话打开该数据库会发现文本已经以向量的形式存入Sqlite数据库中现在开始测试RAG回答效果对比不使用RAG的回答效果可以发现大语言模型根本不知道我们想问的私有数据的事情。
现在我们可以来测试一下更复杂一点的文本了一样的嵌入文本之后测试RAG效果RAG回答失败了这是因为我使用的模型参数太少了还不够强大。
如果你的电脑配置好可以改用更智能的模型如果你的电脑配置不好可以选择混合使用的方式即使用在线的对话模型Api使用本地Ollama中的嵌入模型。
使用在线对话Api本地Ollama嵌入模型体验SimpleRAGappsettings.json可以这样写测试RAG效果RAG还是失败了。
模型换成meta-llama/Meta-Llama-
3.
B-Instruct模型换成google/gemma-
b-it模型换成Qwen/Qwen
B-Instruct通过源码找原因将相关度调成
3就可以找到相关文本了但是感觉这样也会出问题文档一多很容易找到不相关的文档后面appsettings.json中会增加相关度的配置现在再测试一下Qwen/Qwen
B-Instruct也可以了。
对比不使用RAG的回答效果想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2026 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容
学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI
100本大模型方向电子书
26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC
实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
600套技术大会 PPT听行业大咖讲实战PPT 整理自
年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌
107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自
年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析
102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑
97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”
路线必明 AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。
L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、
关键技术以及大模型应用场景。
L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。
L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。
L5阶段专题集丨特训篇 【录播课】