使用 Ollama 和 Go 基於文本嵌入模型實現文本向量化

基於 RAG + 大模型的應用已經成爲當前 AI 應用領域的一個熱門方向。RAG(Retrieval-Augmented Generation) 將檢索和生成兩個步驟相結合，利用外部知識庫來增強生成模型的能力 (如下圖來自網絡)。

在 RAG 賦能的大模型應用中，關鍵的一步是將文本數據向量化後存儲在向量數據庫中 (如上圖的紅框)，以實現快速的相似度搜索，從而檢索與輸入查詢相關的文本片段，再將檢索到的文本輸入給生成模型生成最終結果。

本文是我學習開發大模型應用的一篇小記，探討的是如何使用 Ollama 和 Go 語言實現文本數據的向量化處理，這是開發基於 RAG 的大模型應用的前提和基礎。

要進行文本向量化，我們首先要了解一下文本向量化的方法以及發展。

縱觀文本向量化技術的發展歷程，我們可以看到從早期的詞袋模型 (Bag-of-Words)、主題模型 (Topic Models)，到詞嵌入 (Word Embedding)、句嵌入 (Sentence Embedding)，再到當前基於預訓練的文本嵌入模型 (Pretrained Text Embedding Models)，文本向量化的方法不斷演進，語義表達能力也越來越強。

但傳統的詞袋模型忽略了詞序和語義，主題模型又難以捕捉詞間的細粒度關係，詞嵌入模型 (如 Word2Vec、GloVe) 雖然考慮了詞的上下文，但無法很好地表徵整個句子或文檔的語義。近年來，隨着預訓練語言模型 (如 BERT、GPT 等) 的崛起，出現了一系列強大的文本嵌入模型，它們在大規模語料上進行預訓練，能夠生成高質量的句子 / 文檔嵌入向量，廣泛應用於各類 NLP 任務中。下圖是抱抱臉 (https://huggingface.co/) 的最新文本嵌入模型的排行榜 [1]：

目前，基於大型預訓練語言模型的文本嵌入已成爲主流方法。這些模型在大規模無監督語料上預訓練，學習到豐富的語義知識，生成的文本嵌入能較好地編碼詞語、短語和句子等多個層面的語義關係。Nomic AI[2] 等組織發佈了多種優秀的預訓練文本嵌入模型，應用效果獲得了較大提升。這種基於預訓練的文本嵌入模型來實現文本數據向量化的方法也緩解了 Go 語言生態中文本向量化的相關庫相對較少的尷尬，Gopher 可以在預訓練文本嵌入模型的幫助下將文本向量化。接下來，我們就來看看如何基於 Ollama 和 Go 基於文本嵌入模型實現文本向量化。

考慮到實驗環境資源有限，以及 Ollama 對 Text Embedding 模型的支持 [3]，這裏我選擇了 Nomic AI 開源發佈的 nomic-embed-text v1.5 模型 [4]，雖然在抱抱臉上它的排名並不十分靠前。

在《使用 Ollama 和 OpenWebUI 在 CPU 上玩轉 Meta Llama3-8B[5]》一文中，我已經粗略介紹過 Ollama 在本地運行大模型的基本步驟，如果你對 Ollama 的操作還不是很瞭解，可以先閱讀一下那篇文章。

下面我們就用 ollama 下載 nomic-embed-text:v1.5 模型：

$ollama pull nomic-embed-text:v1.5
pulling manifest
pulling manifest
pulling 970aa74c0a90... 100% ▕██████████████████████████████████████████████████████████████████▏ 274 MB                         
pulling c71d239df917... 100% ▕██████████████████████████████████████████████████████████████████▏  11 KB                         
pulling ce4a164fc046... 100% ▕██████████████████████████████████████████████████████████████████▏   17 B                         
pulling 31df23ea7daa... 100% ▕██████████████████████████████████████████████████████████████████▏  420 B                         
verifying sha256 digest
writing manifest
removing any unused layers
success

算上之前的 Llama3 模型，目前本地已經有了兩個模型：

$ollama list
NAME                       ID              SIZE      MODIFIED      
llama3:latest              71a106a91016    4.7 GB    2 weeks ago      
nomic-embed-text:v1.5      0a109f422b47    274 MB    3 seconds ago

不過與 llama3 的對話模型不同，nomic-embed-text:v1.5 是用於本文嵌入的模型，我們不能使用命令行來 run 該模型並通過命令行與其交互：

$ollama run nomic-embed-text:v1.5
Error: embedding models do not support chat

一旦模型下載成功，我們就可以通過 Ollama 的 HTTP API 來訪問該模型了，下面是通過 curl 將一段文本向量化的命令：

$curl http://localhost:11434/api/embeddings -d '{
  "model": "nomic-embed-text:v1.5",     
  "prompt": "The sky is blue because of Rayleigh scattering"
}'
{"embedding":[-1.246808409690857,0.10344144701957703,0.6935597658157349,-0.6157534718513489,0.4244955778121948,-0.7677388191223145,1.4136837720870972,0.012530215084552765,0.007208258379250765,-0.858286440372467,1.02878999710083,0.6512939929962158,1.0005667209625244,1.4231345653533936,0.30222395062446594,-0.4343869090080261,-1.358498215675354,-1.0671193599700928,0.3035725951194763,-1.5876567363739014,-0.9811925888061523,-0.31766557693481445,-0.32180508971214294,0.5726669430732727,-1.4187577962875366,-0.23533311486244202,-0.3387795686721802,0.02435961365699768,-0.9517765641212463,0.4120883047580719,-0.4619484841823578,-0.6658303737640381,0.010240706615149975,0.7687620520591736,0.9147310853004456,-0.18446297943592072,1.6336615085601807,1.006791353225708,-0.7928107976913452,0.3333768844604492,-0.9133707880973816,-0.8000166416168213,-0.41302260756492615,0.32945334911346436,0.44106146693229675,-1.3581880331039429,-0.2830675542354584,-0.49363842606544495,0.20744864642620087,0.039297714829444885,-0.6562637686729431,-0.24374787509441376,-0.22294744849205017,-0.664574921131134,0.5489196181297302,1.0000559091567993,0.45487216114997864,0.5257866382598877,0.25838619470596313,0.8648120760917664,0.32076674699783325,1.79911208152771,-0.23030932247638702,0.27912014722824097,0.6304138898849487,-1.1762936115264893,0.2685599625110626,-0.6646256446838379,0.332780659198761,0.1742674708366394,-0.27117523550987244,-1.1485087871551514,0.07291799038648605,0.7712352275848389,...,]}

注意：如果 curl 請求得到的應答是類似 {"error":"error starting the external llama server: exec:"ollama_llama_server": executable file not found in $PATH"}，可以嘗試重啓 Ollama 服務來解決：systemctl restart ollama。

Ollama 沒有提供 sdk，我們就基於 langchaingo[6] 的 ollama 包訪問 ollama 本地加載的 nomic-embed-text:v1.5 模型，實現文本的向量化。下面是示例的源碼：

// textembedding.go
package main

import (
        "context"
        "fmt"
        "log"

        "github.com/tmc/langchaingo/llms/ollama"
)

func main() {
        llm, err := ollama.New(ollama.WithModel("nomic-embed-text:v1.5"))
        if err != nil {
                log.Fatal(err)
        }
        ctx := context.Background()
        inputText := "The sky is blue because of Rayleigh scattering"
        result, err := llm.CreateEmbedding(ctx, []string{inputText})
        if err != nil {
                log.Fatal(err)
        }

        fmt.Printf("%#v\n", result)
        fmt.Printf("%d\n", len(result[0]))
}

更新一下依賴：

# go mod tidy
go: finding module for package github.com/tmc/langchaingo/llms/ollama
go: toolchain upgrade needed to resolve github.com/tmc/langchaingo/llms/ollama
go: github.com/tmc/langchaingo@v0.1.9 requires go >= 1.22.0; switching to go1.22.3
go: downloading go1.22.3 (linux/amd64)
go: finding module for package github.com/tmc/langchaingo/llms/ollama
go: found github.com/tmc/langchaingo/llms/ollama in github.com/tmc/langchaingo v0.1.9
go: downloading github.com/stretchr/testify v1.9.0
go: downloading github.com/pkoukk/tiktoken-go v0.1.6
go: downloading gopkg.in/yaml.v3 v3.0.1
go: downloading github.com/davecgh/go-spew v1.1.1
go: downloading github.com/pmezard/go-difflib v1.0.0
go: downloading github.com/google/uuid v1.6.0
go: downloading github.com/dlclark/regexp2 v1.10.0

我本地的 Go 是 1.21.4 版本，但 langchaingo 需要 1.22.0 版本及以上，這裏考慮向前兼容性 [7]，go 下載了 go1.22.3。

接下來運行一下上述程序：

$go run textembedding.go
[][]float32{[]float32{-1.2468084, 0.10344145, 0.69355977, -0.6157535, 0.42449558, -0.7677388, 1.4136838, 0.012530215, 0.0072082584, -0.85828644, 1.02879, 0.651294, 1.0005667, 1.4231346, 0.30222395, -0.4343869, -1.3584982, -1.0671194, 0.3035726, -1.5876567, -0.9811926, -0.31766558, -0.3218051, 0.57266694, -1.4187578, -0.23533311, -0.33877957, 0.024359614, -0.95177656, 0.4120883, -0.46194848, -0.6658304, 0.010240707, 0.76876205, 0.9147311, -0.18446298, 1.6336615, 1.0067914, -0.7928108, 0.33337688, -0.9133708, -0.80001664, -0.4130226, 0.32945335, 0.44106147, -1.358188, -0.28306755, -0.49363843, 0.20744865, 0.039297715, -0.65626377, -0.24374788, -0.22294745, -0.6645749, 0.5489196, 1.0000559, 0.45487216, 0.52578664, 0.2583862, 0.8648121, 0.32076675, 1.7991121, -0.23030932, 0.27912015, 0.6304139, -1.1762936, 0.26855996, -0.66462564, 0.33278066, 0.17426747, -0.27117524, -1.1485088, 0.07291799, 0.7712352, -1.2570909, -0.6230442, 0.02963586, -0.4936177, -0.014295651, 0.5730515, ... ,  -0.5260737, -0.44808808, 0.9352375}}
768

我們看到輸入的文本成功地被向量化了，我們輸出了這個向量的維度：768。

注：文本向量維度的常見的值有 200、300、768、1536 等。

我們看到，基於 Ollama 加載的預訓練文本嵌入模型，我們可以在 Go 語言中實現高效優質的文本向量化。將文本數據映射到語義向量空間，爲基於 RAG 的知識庫應用打下堅實的基礎。有了向量後，我們便可以將其存儲在向量數據庫中備用，在後續的文章中，我會探討向量數據庫寫入與檢索的實現方法。

Gopher Daily(Gopher 每日新聞) - https://gopherdaily.tonybai.com

我的聯繫方式：

微博 (暫不可用)：https://weibo.com/bigwhite20xx
微博 2：https://weibo.com/u/6484441286
博客：tonybai.com
github: https://github.com/bigwhite
Gopher Daily 歸檔 - https://github.com/bigwhite/gopherdaily

參考資料

[1]

文本嵌入模型的排行榜: https://huggingface.co/spaces/mteb/leaderboard

[2]

Nomic AI: https://www.nomic.ai/

[3]

Ollama 對 Text Embedding 模型的支持: https://ollama.com/search?q=embed&p=1

[4]

nomic-embed-text v1.5 模型: https://blog.nomic.ai/posts/nomic-embed-matryoshka

[5]

使用 Ollama 和 OpenWebUI 在 CPU 上玩轉 Meta Llama3-8B: https://tonybai.com/2024/04/23/playing-with-meta-llama3-8b-on-cpu-using-ollama-and-openwebui/

[6]

langchaingo: https://github.com/tmc/langchaingo

[7]

向前兼容性: https://tonybai.com/2023/09/10/understand-go-forward-compatibility-and-toolchain-rule/

[8]

Gopher 部落知識星球: https://public.zsxq.com/groups/51284458844544

[9]

鏈接地址: https://m.do.co/c/bff6eed92687

本文由 Readfog 進行 AMP 轉碼，版權歸原作者所有。
來源：https://mp.weixin.qq.com/s/wXXnnRrKA2b3FQuWtr7MMA

猜你喜歡