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 ollamacreate Create a model from a Modelfileshow Show information for a modelrun Run a modelpull Pull a model from a registrypush Push a model to a registrylist List modelscp Copy a modelrm Remove a modelhelp 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 -gtotal 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:latestports:- 11434:11434volumes:- /home/will/data/ollama:/root/.ollamacontainer_name: ollamapull_policy: if_not_presenttty: truerestart: alwaysnetworks:- ollama-dockeropen-webui:image: ghcr.io/open-webui/open-webui:maincontainer_name: open-webuipull_policy: if_not_presentvolumes:- /home/will/data/webui:/app/backend/datadepends_on:- ollamaports:- 13000:8080environment:- 'OLLAMA_BASE_URL=http://ollama:11434'- 'WEBUI_SECRET_KEY=123456'- 'HF_ENDPOINT=https://hf-mirror.com'extra_hosts:- host.docker.internal:host-gatewayrestart: unless-stoppednetworks:- ollama-dockerjava-app:image: bolingcavalry/ollam-tutorial:0.0.1-SNAPSHOTvolumes:- /home/will/temp/202405/15/application.properties:/app/application.propertiescontainer_name: java-apppull_policy: if_not_presentdepends_on:- ollamaports:- 18080:8080restart: alwaysnetworks:- ollama-dockernetworks: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
