搭建本地AI助理原来这么简单，完全开源、零基础使用（基于ComfyUI+Llama3+OpenWebUI搭建会话式AI助理）_comfyui使用llm本地模型

前言：本文教你在本地电脑上使用LLama3+ComfyUI+OpenWebUI搭建一个多模态AI会话助理，轻松使用AI生成图象。

Llama3：Meta Llama 3是由Meta开发并开源的一系列新型模型，具有8B和70B两种参数大小(预训练或指令调整)。

Llama 3指令调优模型针对对话/聊天用例进行了微调和优化，在通用基准测试中优于许多可用的开源聊天模型。

Comfy UI：一个开源强大、模块化的Stable Diffusion GUI后端。Comfy UI将允许用户基于图形/节点/流程图的界面设计和执行高级Stable Diffusion Pipeline流程生成图片。

Open Web UI：一个开源的、可扩展、功能丰富、用户友好的自托管Web UI，可以完全离线运行。它支持在本地电脑各种LLM大模型，包括与Ollama和ApenAI兼容的API。

一、Window环境配置

PC配置：Windows 10 专业版，版本22H2；32G RAM ；NVIDIA GeForce CTX1060 6GB；

二、安装Llama LLM环境

下载OllamaSetup地址：https://ollama.com/download

本地双击安装Ollama环境：OllamaSetup.exe

安装Llama3(phi3安装类似)

ollama run llama3``ollama run phi3``   ``安装完后可以测试：which country is the bigest in the world?
1

三、安装Comfy UI绘图环境

3.1 工具下载

源码开源的地址：https://github.com/comfyanonymous/ComfyUI

Window建议使用一键安装包：https://github.com/comfyanonymous/ComfyUI/release

说明：一键安装包Windows独立构建应该可以在Nvidia gpu上运行，不需要配置虚拟环境，直接下载就可以运行：

cd ComfyUI_windows_portable``ComfyUI_windows_portable>run_nvidia_gpu.bat``浏览器打开：http://127.0.0.1:8188
1

3.2下载模型checkpoints

模型放置位置：ComfyUI_windows_portable\ComfyUI\models\checkpoints

ComfyUI也可以和另外的绘图UI软件（比如Stable Diffusion）共享模型，配置方法如下：

#comfyui:``#     base_path: path/to/comfyui/``#     checkpoints: models/checkpoints/
1

3.3安装ComfyUIManager

cd \ComfyUI\custom_nodes``git clone https://github.com/ltdrdata/ComfyUI-Manager.git
1

安装完成之后重启ComfyUI：ComfyUI_windows_portable>run_nvidia_gpu.bat

四、安装Open WebUI

源码地址：https://github.com/open-webui/open-webui

目前安装方式有两种，下面我们介绍两种方式的安装方法。

4.1方式1-在conda环境中安装

环境需求：python=3.11+nodejs=20.12.2

https://docs.openwebui.com/``# 安装环境``conda create --name openwebui python=3.11``conda activate openwebui``conda install conda-forge::nodejs``   ``#克隆代码``git clone https://github.com/open-webui/open-we...``cd open-webui/``   ``#配置OPENAI_API_KEY等``Copying required .env file``Change the .env.example to .env``   ``Building Frontend Using Node``npm i``npm run build``Serving Frontend with the Backend``cd ./backend``pip install -r requirements.txt -U``start_windows.bat --listen
1

安装成功之后可以在浏览器中访问OpenWebUI： http://localhost:8080/

4.2方式2-在docker环境中安装

OpenWebUI可以用如下一键启动命令

docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main
1

运行成功之后可以在浏览器中访问本地的OpenWebUI： http://localhost:3000/

五、配置Open WebUI

5.1 配置Llama3 模型-Ollama API

5.1 配置Llama3 关联ComfyUI

http://127.0.0.1:8188``模型选择：helloWorld_v3.safetensors （可以下载自己喜欢风格模型）``   
1

六、配置Open WebUI

6.1 使用llama3的SD微调模型绘图

在OpenWebUI的设置界面，输入模型名字，这次使用llama3的Stale Diffusion微调模型（impactframes/llama3_ifai_sd_prompt_mkr_q4km）该模型的链接如下：https://ollama.com/impactframes/llama3_ifai_sd_prompt_mkr_q4km

在OpenWebUI的设置–>模型界面，输入模型名称点击下载按钮，下载过程十分钟左右，如下图：

在OpenWebUI里边新建一个聊天，模型选择"impactframes/llama3_ifai_sd_prompt_mkr_q4km"，在输入框中输入：桂林山水画，OpenWebUI就会返回画图的提示词，然后点击画图按钮，这个提示词就会调用后端的ComfyUI进行画图。如下图所示：

点击图象图标，可以看到ComfyUI生图进度情况。

生成结果如下：

6.2 使用提示词指令方式安装

这种方式不需要使用为画图单独微调的llama3模型，可以使用任何模型（以下示例中我用了llama3:latest模型），使用指令提示词的功能即可实现，这样的好处就是可以同时和模型聊天和画图。

登录网址：https://openwebui.com/p/gaborkukucska/image

登录之后：点击Get按钮->Import to webUI就可以把提示词插件安装到本地的UI， 如下图所示：

使用方法：在新建聊天中输入所建的提示词指令，例如刚才新建的/image, 如下图，输入提示词就可以直接生成图象。

生成结果：

七、总结

优势：

1. 用户友好的界面：该工具提供了一个简洁直观的用户界面，使得用户可以轻松上手。

2. 多功能集成：它巧妙地结合了语言模型聊天和绘图功能，使得用户能够以低成本快速验证绘图想法。

3. 上下文保持：在聊天界面中绘图时，系统能够很好地保存对话上下文，包括图片和提示词等，这有助于维持连贯性。

4. 自然语言支持：用户可以使用中文进行绘图，简化了绘图流程，避免了复杂的提示词工程。

总结：

两种模式各有其适用场景：第一种模式适合那些专注于绘图、追求一键生成图像的用户；第二种模式则适合在聊天中需要绘图功能，并且希望与模型进行交互以迭代绘图提示的用户。使用自然语言和中文进行绘图提供了一种新颖且便捷的体验。为了获得更高质量的图像，建议使用一些优质的sdxl模型。虽然该工具在某些方面可能不如市场上的领先产品，但它的便利性和易用性仍然为特定用户群体提供了价值。

通过这种方式，我们保留了原文的主要观点，同时以更清晰和客观的方式呈现了信息。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】