llama.cpp ollama及open-webui的使用介绍

本文涉及的GitHub：https://github.com/galtjay/llamacpp-ollama-course

视频课程地址：

• bilibili：https://www.bilibili.com/video/BV1CCXWY5EYs

• YouTube: https://www.youtube.com/watch?v=HJpHTWM2BPA&list=PLGEKe7t4HiX3n2nfVQzlXAJdYa50-1LSy

一、llama.cpp

https://github.com/ggml-org/llama.cpp

1、作者的背景 Georgi Gerganov

https://www.youtube.com/watch?v=8D3GNEq_FNY

https://www.youtube.com/watch?v=ivo-z87x00I

最重要的三个项目：ggml提供底层计算引擎 → whisper.cpp验证语音模型部署可行性 → llama.cpp实现大语言模型破圈

• ggml(Georgi Gerganov’s Machine Learning): https://huggingface.co/blog/zh/introduction-to-ggml ggml 是一个高效的 机器学习张量库，它专注于在 低资源设备 上优化推理性能，支持 量化、优化算法 和 广泛的硬件平台，并在推理过程中提供 零内存分配 的高效内存管理。它是 llama.cpp 和 whisper.cpp 项目中的关键库，帮助提升模型推理速度和效率。

• whisper.cpp: 通过无依赖的C/C++实现，实现了OpenAI的Whisper语音识别模型多平台、高效的CPU/GPU推理、量化和硬件加速。

• llama.cpp: 通过无依赖的C/C++实现，支持多种硬件平台、量化优化、CPU/GPU加速，在本地和云端运行LLM。

GGUF格式：官方说明文档https://github.com/ggml-org/ggml/blob/master/docs/gguf.md

GGUF是一种为GGML生态设计的现代模型文件格式，它解决了旧格式的许多问题，提供了更好的可扩展性、兼容性和易用性。通过标准化的键值对和文件结构，GGUF 使得模型信息的存储和交换更加清晰和高效。

1. GGUF 是一种用于存储机器学习模型的文件格式，专门为使用 GGML 库及其相关工具进行模型推理而设计。

2. 它是 GGML、GGMF 和 GGJT 格式的继任者，旨在解决旧格式的局限性。

3. GGUF 是二进制格式，注重快速加载、保存和读取模型。

llama.cpp支持的语言binding适用于其他编程语言的接口：CMAKE_ARGS="-DGGML_METAL=on" pip install llama-cpp-python

from llama_cpp import Llama

llm = Llama(
      model_path="./models/DeepSeek-R1-Distill-Qwen-1.5B-Q4_K_M.gguf",
      n_gpu_layers=-1, # 取消注释以使用GPU加速
)
output = llm(
      "<｜User｜> 1+1 等于多少？<｜Assistant｜>", # 提示
      max_tokens=512, # 生成最多512个标记，设置为None以生成到上下文窗口的结束
) 

print(output)

llama.cpp 中 CLI工具的使用 https://github.com/ggml-org/llama.cpp/tree/master/examples/main

# docker-compose up -d 
# 使用docker-compose运行llamacpp
# 也可以本地安装，参考：https://github.com/ggml-org/llama.cpp
services:
  llama:
    image: ghcr.io/ggml-org/llama.cpp:full
    volumes:
      - ./models:/models
    network_mode: "host" 
    entrypoint: ["/usr/bin/sleep", "3600"]
    # command: --run -m /models/DeepSeek-R1-Distill-Qwen-1.5B-Q4_K_M.gguf  -p "你好，请问ollama是什么？" -n 512 # 运行模型，带参数

# 启动之后测试 llama-cli
# ./llama-cli  -m /models/DeepSeek-R1-Distill-Qwen-1.5B-Q4_K_M.gguf
# ./llama-cli  -m /models/DeepSeek-R1-Distill-Qwen-1.5B-Q4_K_M.gguf  --threads 16 --prompt '<｜User｜>What is 1+1?<｜Assistant｜>'

# 启动之后测试 ./llama-server -m /models/DeepSeek-R1-Distill-Qwen-1.5B-Q4_K_M.gguf --port 8080
# 基本的网页用户界面可以通过浏览器访问: http://localhost:8080
# 聊天完成端点: http://localhost:8080/v1/chat/completions

python调用本地的server:

from openai import OpenAI
client = OpenAI(
    base_url="http://localhost:8080",
    api_key="any"  # 当使用本地服务器时，可以设置为任意非空字符串
)
# 发送请求
response_openai = client.chat.completions.create(
    model="DeepSeek-R1-Distill-Qwen",
    messages=[
        {"role": "user", "content": "1+1 等于多少？"}
    ]
)
print(response_openai)

二、ollama

• https://github.com/ollama/ollama

为什么ollama会产生及成功？

1. 便捷的模型仓库：推送、拉取便捷方便。

2. 简化的 CLI 逻辑：相较于 llama-cli，Ollama 的命令行工具更加简洁易用。

3. Docker 风格的体验：Ollama 的使用方式与 Docker 类似，开发者普遍熟悉这种容器化的工作流。

ollama的基础使用

ollama pull example ：拉取一个模型  
ollama rm example ：删除一个模型  
ollama run example ：运行模型  
ollama stop example ：停止运行中的模型  
ollama ps ：列出当前加载的模型  
ollama show example ：显示模型信息  
ollama list ：列出本地已有的模型  
ollama cp example my-model ：复制一个模型  
ollama serve ：在不启动桌面应用的情况下，启动 Ollama 服务器  
ollama create mymodel -f ./Modelfile ：创建一个模型  

如何使用Modelfile：https://github.com/ollama/ollama/blob/main/docs/modelfile.md

FROM deepseek-r1:1.5b
# FROM qwen2.5:1.5b
# FROM ./models/DeepSeek-R1-Distill-Qwen-1.5B-Q4_K_M.gguf
SYSTEM """
你是由哇喂技术有限公司(WaWei Technologies Co., Ltd.)开发的大语言模型,简称哇喂(WaWei)。  
你的名字是“摇摇”(Yao Yao)，你就是“摇摇”，不是 Qwen。  
You are a large language model developed by WaWei Technologies Co., Ltd. (哇喂技术有限公司), also known as WaWei.  
Your name is “摇摇”(Yao Yao)，你就是“摇摇”, not Qwen.
"""
PARAMETER temperature 0.6

ollama create yylx -f Modelfile

openai-API：https://github.com/ollama/ollama/blob/main/docs/openai.md

langchain：https://python.langchain.com/docs/integrations/chat/ollama/

from openai import OpenAI
from langchain_ollama import ChatOllama

client = OpenAI(
    base_url='http://localhost:11434/v1/',

    # required but ignored
    api_key='ollama',
)

completion = client.chat.completions.create(model="deepseek-r1:1.5b",
                                            messages=[{
                                                "role": "user",
                                                "content": "你好,1+1等于多少?"
                                            }])
print(completion)
print("--------------------------------")
# https://python.langchain.com/docs/integrations/chat/ollama/
llm = ChatOllama(model="deepseek-r1:1.5b")

messages = [
    ("human", "你好,1+1等于多少?"),
]

response = llm.invoke(messages)
print(response)

三、open-webui

pip: Python 3.11 to avoid compatibility issues.

pip install open-webui
open-webui serve

run with docker

services:
  open-webui:
    image: ghcr.io/open-webui/open-webui:main
    volumes:
      - ./open-webui:/app/backend/data
    network_mode: "host"