文章目录
OllamaQwen_1">基于Ollama平台部署的Qwen大模型实现聊天机器人
1 概述
本案例旨在构建一个基于Python的交互式系统，前端通过Streamlit框架实现简洁易用的用户界面，后端基于Ollama平台部署Qwen模型，提供自然语言处理（NLP）能力。用户可以通过前端界面与Qwen模型进行交互，获取模型的响应结果。
2 技术栈
2.1 开发技术
- 前端：Streamlit 1.42.2（轻量级Web应用框架）
- 后端：Ollama 0.5.12（模型部署平台）
- 模型：Qwen2:0.5b（自然语言处理模型）
- 编程语言：Python 3.12.8
- 模块：requests 2.32.3、ollama 0.4.7
- 开发工具：PyCharm
说明：
安装requests 2.32.3、ollama 0.4.7，只是为了演示两种访问方式，开发场景中，只要实现其中之一。
2.2 环境
- 系统：Ubuntu 24.04.2 LTS
- 系统服务：WSL 2.4.11.0
说明：
Windows Subsystem for Linux（简称WSL）是一个在Windows 10\11上能够运行原生Linux二进制可执行文件（ELF格式）的兼容层。它是由微软与Canonical公司合作开发，开发人员可以在 Windows 计算机上同时访问 Windows 和 Linux 的强大功能。 通过适用于 Linux 的 Windows 子系统 (WSL)，开发人员可以安装 Linux 发行版（例如 Ubuntu、OpenSUSE、Kali、Debian、Arch Linux 等），并直接在 Windows 上使用 Linux 应用程序、实用程序和 Bash 命令行工具，不用进行任何修改，也无需承担传统虚拟机或双启动设置的费用。
3 实现步骤
3.1 环境搭建
3.1.1 WSL配置及Ubuntu安装
WSL配置以及Ubuntu系统安装，可参考文章WSL安装及问题https://blog.csdn.net/mh942408056/article/details/145053974
Ollama_27">3.1.2 Ollama安装及模型部署
Ollama安装以及模型的部署，可参考文章Ollama安装与使用https://blog.csdn.net/mh942408056/article/details/146038905
3.2 模块安装
3.2.1 安装Streamlit 1.42.2
pip install streamlit
说明：
Steamlit帮助文档地址为：https://docs.streamlit.io/
3.2.2 安装requests 2.32.3
pip install requests
3.2.3 安装ollama 0.4.7
pip install ollama
3.3 后端实现
注意：
- 使用Ollama加载Qwen模型（如 ollama run qwen2:0.5b）。
- 确保API服务可用（默认地址为 http://localhost:11434/api/chat）。
文件名称为：chat_utils.py
import ollama
import requests
import jsondef get_response(prompt):"""调用ollama聊天接口，并返回结果（方式一：本地访问）:param prompt: 历史对话、提示词:return:执行结果"""# 获取最后50个会话信息传送给模型，模型会根据上下文回答最后一个问题response = ollama.chat(model='qwen2:0.5b', messages=prompt[-50:], stream=False)return response['message']['content']def get_response_requests(url, prompt):"""调用ollama聊天接口，并返回结果（方式二：远程访问）:param url: 访问的接口:param prompt: 历史对话、提示词:return: 执行结果"""# 1 定义请求头headers = {"Content-Type": "application/json"}# 2 请求并返回结果response = requests.post(url, headers=headers, data=json.dumps(prompt))# 3 判断返回结果状态if response.status_code == 200:# 3.1 将文本转换成字典msg = json.loads(response.text)# 3.2 返回消息return msg["message"]["content"]else:return response.status_code, response.textif __name__ == '__main__':# 提示词prompt = '学习streamlit的注意事项'# 组装接口消息内容prompt_list = [{'role': 'user', 'content': prompt}]# # 通过ollama模块访问Ollama平台中的大模型# response = get_response(prompt_list)# 通过requests模块访问Ollama平台中的大模型response = get_response_requests('http://localhost:11434/api/chat', {'model': 'qwen2:0.5b', 'messages': prompt_list,'stream':False})print(response)
3.4 前端访问
文件名称为：chat_main.py
import streamlit as st
import chat_utils# 1 页面配置
st.set_page_config(page_title='智聊机器人', # 页面标题page_icon=':pirate_flag:', # 页面图标initial_sidebar_state='expanded', # 初始状态侧边栏menu_items={'Get Help': 'https://www.csdn.net/','Report a Bug': None,'About': "# 智聊机器人",}
)# 2 主界面主标题
st.title('智聊机器人')# 3 判断聊天记录是否存在会话状态中
if 'messages' not in st.session_state: # 3.1 增加欢迎语st.session_state['messages'] = [{'role': 'assistant', 'content': '你好，我是智聊机器人，有什么可以帮助您的吗？ :santa:'}]# 4 循环遍历会话状态中的消息
for message in st.session_state.messages:# 4.1 按角色将消息输出到页面with st.chat_message(message['role']):# 4.1.1 输出消息st.markdown(message['content'])# 5.创建一个会话框
prompt = st.chat_input('请输入您要咨询的问题：')
# 6.判断是否有新的消息
if prompt:# 6.1 将消息追加到会话状态中st.session_state['messages'].append({'role': 'user', 'content': prompt})# 6.2 输出会话消息st.chat_message('user').markdown(prompt)# 7 增加旋转等待组件with st.spinner(':hourglass: AI小助手正在思考中...'):# 7.1 调用Ollama聊天接口，并接收返回结果content = chat_utils.get_response(st.session_state['messages'])# 8 记录assistant返回的消息st.session_state['messages'].append({'role': 'assistant', 'content': content})# 9 将返回消息输出到页面st.chat_message('assistant').markdown(content)
3.5 代码执行
进入chat_main.py根目录，运行以下命令：
streamlit run chat_main.py
3.6 实现效果
4 通过curl命令行工具进行访问
如果只是简单访问，而不用开发代码，可通过ollama run 模型名称:标签或curl实现快速访问。
- ollama访问方式参考文章Ollama安装与使用https://blog.csdn.net/mh942408056/article/details/146038905。
- curl访问方式可参考官网APIhttps://github.com/ollama/ollama/blob/main/docs/api.md
4.1 /api/chat 聊天对话接口案例
curl http://localhost:11434/api/chat -d "{\"model\": \"qwen2:0.5b\",\"messages\": [ {\"role\": \"user\",\"content\": \"天空为何这么蓝？\"}]}"
注意：
\用于转义引号，如果不带，将无法访问。
