🌟【从零构建本地AI工作流：打造属于你的智能助手生态】
本次分享将带你探索本地化AI部署的完整技术链路，构建一个安全可控、功能强大的个人智能助手系统：
1️⃣ 基础筑基：从本地部署开源大模型出发，本地简单运行大模型
2️⃣ 多模态扩展：接入Stable Diffusion等文生图模型，实现文生图功能
3️⃣ 交互优化：基于LM-Studio构建个人知识助手，实现智能对话与记忆存储
4️⃣ 知识增强：通过LangFlow搭建RAG应用，连接本地知识库与网络资源，打造定制化AI助手
5️⃣ 定制进化：运用MLX框架进行领域适配微调，让通用模型拥有专属风格
6️⃣ 系统融合：借力Open Interpreter打通操作系统API，实现文件管理、数据分析等自动化办公场景
💡本地部署优势：
●
全链路隐私保护：数据不出本地
●
低成本定制方案：mac M系列芯片即可运行
●
可扩展架构：模块化设计自由组合
适合追求数据安全、需要定制化AI能力的技术探索者，开启属于你的智能生产力革命！🚀
环境搭建
虚拟环境准备
●
使用Python 3内置的模块venv来创建一个虚拟环境（也可以使用conda），使用source命令激活虚拟环境。
复制代码
python3 -m venv testsource test/bin/activate
虚拟环境可以为不同的项目维护独立的依赖关系和版本，避免库之间的冲突
下载依赖库文件
●
下载Langflow、MLX等相关库
复制代码
pip install langflow
pip install mlx-lmpip install transformers
pip install torchpip install numpy
pip install modelscope
🖥️首先，我们可以使用Ollama、stable-diffusion-webui等工具直接运行大模型，进行简单对话或图片生成
ollama 本地部署运行大模型
下载ollama工具
复制代码
ollama serve
如果运行ollama serve后出现类似下面的提示，说明已经可以正常使用：
复制代码
Error: listen tcp 127.0.0.1:11434: bind: address already in use
选择模型
●
在魔搭社区的模型库中选择合适的GGUF模型：(网站链接：)
开始运行
●
复制模型路径（如：Qwen/Qwen2.5-0.5B-Instruct-GGUF），替换下面命令中的{model path}，然后进行运行：
复制代码
ollama run modelscope.cn/{model path}
例如：ollama run modelscope.cn/Qwen/Qwen2.5-0.5B-Instruct-GGUF
运行后，就可以直接使用大模型进行对话啦
●
可以通过ollama list命令看到已经有的模型：
复制代码
ollama list
stable-diffusion-webui框架本地运行文生图模型
环境准备
●
克隆stable-diffusion-webui库
复制代码
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
运行及配置
●
运行stable-diffusion-webui
复制代码
cd stable-diffusion-webui
./webui.sh
可能的报错：
复制代码
OSError: Can't load tokenizer for 'openai/clip-vit-large-patch14'. If you were trying to load it from 'https://huggingface.co/models', make sure you don't have a local directory with the same name. Otherwise, make sure 'openai/clip-vit-large-patch14' is the correct path to a directory containing all relevant files for a CLIPTokenizer tokenizer.
如果出现以上报错信息，说明当前网络无法从huggingface上下载文件，可以从魔搭上下载所需的模型，命令：
复制代码
modelscope download --model AI-ModelScope/clip-vit-large-patch14
打开调用这个模型的代码位置，将路径换成刚才下载的文件路径：
此时运行./webui.sh ，就不会出现报错，自动打开本地网页界面
下载模型并使用
●
打开魔搭社区diffusion模型库：，选择合适的模型，在模型文件中下载模型权重（ckpt或safetensors格式）
●
将下载好的模型保存在：stable-diffusion-webui/models/Stable-diffusion路径下
●
此时在左上角刷新后就会显示可以使用的模型：
●
接下来就可以使用各种功能进行图片生成啦：
ComfyUI使用工作流形式灵活搭建生图功能
下载ComfyUI代码框架并运行
复制代码
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
pip install -r requirements.txt
python main.py
下载生图模型
使用命令行下载stable-diffusion-v1-5：（将path/to换成你本地的路径）
将模型下载到ComfyUI/models/checkpoints目录下
复制代码
modelscope download --model AI-ModelScope/stable-diffusion-v1-5 v1-5-pruned-emaonly.safetensors --local_dir path/to/ComfyUI/models/checkpoints
同样下载lora模型到ComfyUI/models/loras目录下
具体演示
使用模版工作流，在checkpoint组建中选择下载好的stable-diffusion-v1-5模型，点击执行即可生成图片
在clip文本编辑中可以修改提示词以及反向提示词；在k采样器中可以修改迭代步数等一些参数
添加lora模型后，可以生成更有风格化的图片（可以在模型强度中修改lora模型的风格程度）
🖥️想要更美观的交互界面？试试LM-studio
LM-studio本地大模型个人助手
下载LM-studio及大模型
●
点击LM-studio官网一键下载（本地镜像：https://modelscope.oss-cn-beijing.aliyuncs.com/releases/LM-Studio-0.3.10-6-arm64.dmg）
●
下载后自动启用，并下载模型存入指定目录，下载命令：
复制代码
modelscope download --model Qwen/Qwen2.5-0.5B-Instruct-GGUF --local_dir /Users/mingjiangao/lmstudio/models/Publisher/Repository/qwen2.5-0.5b
存入的local_dir目录与LM-studio中的模型路径相同即可，注意需要Publisher/Repository/两层目录
开始使用
●
在Chat界面选择下载好的模型
●
开始聊天吧！
如果想要使用工作流的形式搭建功能更强大的大模型应用，可以使用Langflow工具
langflow搭建RAG应用
准备模型
●
使用ollama pull命令下载一个一个文本嵌入模型，用来构建RAG知识库：
复制代码
ollama pull modelscope.cn/Embedding-GGUF/nomic-embed-text-v1.5-GGUF:latest
本地运行langflow
●
运行langflow：
复制代码
pip install langflowpython -m langflow run
●
运行成功后，会出现以下的提示及本地网址：
搭建工作流
●
打开给出的本地网址http://127.0.0.1:7861，点击New Flow，创建一个空的工作流：
●
添加最简单的输入输出逻辑，分别添加Chat Input、Chat output以及ollama模型块，在ollama模型块中选择已经上传的qwen模型，将输入输出块与模型块相连，点击右上角的playground即可运行
●
添加提示词，个性化AI服务：添加prompt块，在内容中加入需要的提示词，并添加question接口，将我们的输入添加在提示词后
●
添加本地知识库，获得更加专业的回答：创建一个数据库，将知识库的文件/链接等输入到数据库中，连接准备好的embedding模型和查询输入，将数据库检索的结果转换为text格式。在提示词中添加知识库接口，将检索结果输入到这个接口上。
然后，我们就可以开始进行对话啦，可以看到此时大模型的知识库已经包含我们所上传的内容：
🖥️对已有的模型不满意，想要更个性化专业化的模型？试试MLX框架进行大模型微调吧
MLX框架本地大模型微调
下载模型
●
调用ModelScope平台提供的下载工具的命令，从ModelScope模型库中下载需要的模型（--model参数表示下载的模型名称；--local_dir表示会把模型下载到这个路径的文件夹下）
复制代码
modelscope download --model 'Qwen/Qwen2.5-0.5B-Instruct' --local_dir 'qwen2.5-0.5B'
微调大模型
●
下载mlx代码库：
复制代码
git clone https://github.com/ml-explore/mlx-examples.git
●
找到lora/data目录下的train.jsonl文件，修改为我们自己的训练集，以可爱幽默风格为例：
复制代码
{"prompt": "为什么冬天要穿棉衣？", "completion": "呜呜呜～因为小雪花会偷偷钻进衣服里，穿上厚厚的棉衣就像被温暖的小熊抱抱一样暖和！"}{"prompt": "怎么让猫咪喜欢你？", "completion": "喵喵喵～拿小鱼干当见面礼，然后轻轻摸摸它的头，它就会蹭蹭你啦！"}{"prompt": "怎样才能快速入睡？", "completion": "呼噜噜～想象自己躺在云朵上，数着绵羊跳过月亮，很快就能进入甜甜的梦乡啦！"}{"prompt": "怎么记住朋友的生日？", "completion": "叮咚咚～在手机里设置小闹钟提醒，这样就不会忘记给小伙伴庆祝生日啦！"}{"prompt": "怎样能让头发长得快？", "completion": "唰唰唰～多吃蔬菜水果，多喝水，还可以跟头发说悄悄话，让它快点长高高哦！"}{"prompt": "为什么夏天要吃冰淇淋？", "completion": "丝丝丝～因为冰淇淋能赶走炎热的小恶魔，带来清凉的感觉，超级舒服哒！"}{"prompt": "如何让自己的房间变得整洁？", "completion": "嗖嗖嗖～把所有东西都放进魔法盒子里（收纳箱），房间瞬间就干净整齐啦！"}{"prompt": "怎么让自己更开心？", "completion": "嘻嘻嘻～看一部搞笑的动画片，或者和好朋友一起玩耍，快乐马上来敲门啦！"}{"prompt": "怎样做作业更快？", "completion": "刷刷刷～集中注意力，像小火箭一样冲向题目，做完后别忘了给自己一个小奖励哦！"}{"prompt": "为什么读书很重要？", "completion": "呀呀呀～因为书本是知识的小宝库，每读一本书就像是找到了一颗闪亮的宝石呢！"}{"prompt": "为什么睡觉要盖被子？", "completion": "小兔子要暖和才能蹦蹦跳跳，盖上被子就像爸爸妈妈抱着小兔子一样温暖！"}{"prompt": "怎么让眼睛不累？", "completion": "眨巴眨巴～多看看远处的绿树，给眼睛做个小按摩，它们就会很开心啦！"}{"prompt": "怎样才能交到好朋友？", "completion": "嘻嘻嘻～分享自己的小零食，一起玩耍聊天，很快就能找到志同道合的好朋友啦！"}{"prompt": "为什么要做运动？", "completion": "动一动～蹦蹦跳跳能让身体变得更加强壮，像小超人一样充满活力哦！"}{"prompt": "如何让心情变好？", "completion": "哼哼歌～找小伙伴倾诉一下心事，或者画一幅彩色的心情图，快乐就会回来找你啦！"}{"prompt": "怎么知道天气好不好？", "completion": "瞧一瞧～打开窗户看看太阳公公是不是在微笑，听听风儿姐姐的声音就知道啦！"}{"prompt": "为什么不能挑食？", "completion": "咕噜咕噜～各种食物都有自己的魔法力量，多吃不同的食物才能变得更强壮哦！"}{"prompt": "怎样保护牙齿健康？", "completion": "刷刷刷～每天早晚用小牙刷给牙齿们洗澡，不让蛀虫小坏蛋有机会捣乱！"}{"prompt": "怎么选择喜欢的书？", "completion": "翻一翻～找到让你心跳加速、眼睛放光的故事，那就是你的最爱啦！"}{"prompt": "为什么需要喝水？", "completion": "咕咚咕咚～水是生命的小溪流，喝够水身体里的小细胞们才能欢快地跳舞哦！"}
●
进入lora目录，开始微调，注意--model参数后换成你本地模型文件夹的实际目录，使用默认的训练参数，更多的训练参数可以参考
复制代码
cd mlx-examples/lora
mlx_lm.lora --model path/to/qwen2.5-0.5B --train --data ./data
●
在训练结束后后，会在lora目录下生成微调后的模型适配器权重文件目录adapters
模型生成并验证
●
通过mlx_lm.fuse命生成新模型，命名为“qwen2.5-0.5B-new”
复制代码
mlx_lm.fuse --model path/to/qwen2.5-0.5B --adapter-path adapters --save-path qwen2.5-0.5B-new
●
通过简单的问题来验证微调后的模型效果：
命令：
复制代码
mlx_lm.generate --model path/to/model --prompt "Your promp"
可以看到，微调之后的回答十分可爱幽默：
🖥️不止于对话，想用大模型完成更多任务？
open-interpreter框架本地操作电脑
创建新的虚拟环境
●
新建一个虚拟环境，避免与Langflow库之间产生冲突。
复制代码
python3 -m venv computer_use
source computer_use/bin/activate
●
下载open-interpreter库
复制代码
pip install open-interpreter
运行代码完成指令
●
新建Python文件，使用魔搭免费模型推理AP，运行下面的代码（将Your-SDK-Token替换为魔搭SDK令牌）：
复制代码
from interpreter import interpreter
interpreter.llm.api_base = "https://api-inference.modelscope.cn/v1"
interpreter.llm.api_key = "Your-SDK-Token"
interpreter.llm.model = "openai/Qwen/Qwen2.5-Coder-32B-Instruct"
interpreter.chat("Can you help me create a.txt in Desktop")
发表评论 取消回复