1、wsl环境中安装ollama

curl -fsSL https://ollama.com/install.sh | sh

2、启动

ollama serve

3、拉取模型

# 拉取模型（此过程会下载约4-5GB的数据）
ollama pull qwen2.5:7b  # 推荐：中文能力强，综合性能优秀
# 或者

ollama pull llama3.2:7b  # 备选：国际主流模型

ollama run qwen2.5:7b

4、安装python

WSL2中安装Python的步骤

# 1. 更新包列表
sudo apt update

# 2. 安装Python3和pip
sudo apt install python3 python3-pip -y

# 3. 验证安装
python3 --version
pip3 --version

# 4. （可选）设置python3为默认python命令
sudo update-alternatives --install /usr/bin/python python /usr/bin/python3 1

如果wsl是ubantu 要用虚拟环境

# 1. 创建虚拟环境（在用户目录下）
python3 -m venv ~/ai_venv

# 2. 激活虚拟环境
source ~/ai_venv/bin/activate
# 激活后，命令行提示符前会出现 (ai_venv)

# 3. 在虚拟环境中安装包（不会影响系统）
pip install --upgrade pip
pip install langchain langchain-community chromadb pypdf

# 4. 运行你的脚本（确保在虚拟环境中）
python /mnt/f/tmp/test_rag.py

# 5. 退出虚拟环境（完成后）
deactivate

安装旧版lanchain

# 1. 安装兼容的旧版本
pip uninstall langchain langchain-community langchain-core langchain-classic langchain-text-splitters -y
pip install "langchain==0.1.0" "langchain-community==0.0.10"

# 2. 验证
python -c "from langchain.chains import RetrievalQA; from langchain_community.llms import Ollama; print('✅ 所有关键模块导入成功！')"

# 3. 现在运行你的测试脚本
python /mnt/f/tmp/test_rag.py

编辑脚本

# test_rag.py - 带错误处理的完整版
import sys

print("=== RAG系统测试 ===")

# 1. 导入必要的库
try:
    from langchain.chains import RetrievalQA
    from langchain_community.llms import Ollama
    from langchain_community.vectorstores import Chroma
    from langchain_community.embeddings import OllamaEmbeddings
    from langchain.text_splitter import RecursiveCharacterTextSplitter
    from langchain_community.document_loaders import TextLoader
    print("✅ 所有库导入成功")
except ImportError as e:
    print(f"❌ 导入失败: {e}")
    sys.exit(1)

# 2. 连接本地Ollama（对话模型）
try:
    llm = Ollama(base_url="http://localhost:11434", model="qwen2.5:7b")
    print("✅ 已连接本地对话模型 (qwen2.5:7b)")
except Exception as e:
    print(f"❌ 连接Ollama失败: {e}")
    sys.exit(1)

# 3. 尝试不同的嵌入模型
embedding_models = ["all-minilm", "nomic-embed-text", "mxbai-embed-large", "qwen2.5:7b"]
embeddings = None

for model in embedding_models:
    try:
        print(f"尝试使用嵌入模型: {model}")
        embeddings = OllamaEmbeddings(base_url="http://localhost:11434", model=model)
        # 简单测试
        test_embed = embeddings.embed_query("test")
        print(f"✅ 嵌入模型 '{model}' 可用")
        break
    except Exception as e:
        print(f"  模型 '{model}' 不可用: {str(e)[:80]}...")
        continue

if embeddings is None:
    print("❌ 所有嵌入模型都不可用")
    print("请先安装一个嵌入模型:")
    print("  ollama pull all-minilm    # 推荐，轻量快速")
    print("  ollama pull nomic-embed-text")
    sys.exit(1)

# 4. 创建测试文档
insurance_text = """
【健康保险条款示例】
第一条 保险责任
在本合同有效期内，被保险人因遭受意外伤害或疾病，在符合本合同约定的医院进行治疗，本公司按下列约定给付保险金：
一、住院医疗保险金：被保险人需支付免赔额人民币5000元，免赔额以上部分按90%比例报销，年度累计给付以20万元为限。
二、重大疾病保险金：一次性给付人民币30万元。
"""

with open("sample_policy.txt", "w", encoding="utf-8") as f:
    f.write(insurance_text)

# 5. 加载、分割文档
try:
    loader = TextLoader("sample_policy.txt")
    documents = loader.load()
    text_splitter = RecursiveCharacterTextSplitter(chunk_size=300, chunk_overlap=50)
    texts = text_splitter.split_documents(documents)
    print(f"✅ 文档处理完成，分割为 {len(texts)} 个片段")
except Exception as e:
    print(f"❌ 文档处理失败: {e}")
    sys.exit(1)

# 6. 创建向量库
try:
    vectorstore = Chroma.from_documents(texts, embeddings, persist_directory="./insurance_db")
    print("✅ 向量知识库构建完成")
except Exception as e:
    print(f"❌ 创建向量库失败: {e}")
    sys.exit(1)

# 7. 创建RAG问答链
try:
    qa_chain = RetrievalQA.from_chain_type(
        llm=llm,
        retriever=vectorstore.as_retriever(search_kwargs={"k": 2}),
        chain_type="stuff"
    )
    print("✅ RAG问答链创建完成")
except Exception as e:
    print(f"❌ 创建问答链失败: {e}")
    sys.exit(1)

# 8. 测试问答
print("\n" + "="*50)
print("开始问答测试")
print("="*50)

test_questions = [
    "我这份合同的免赔额是多少钱？",
    "我如果住院的话医疗的报销比例是多少？",
    "我一整年的报销上限是多少？",
    "重大疾病保险金怎么赔付？陪多少钱？"
]

for i, question in enumerate(test_questions, 1):
    print(f"\n{i}. ❓ 问题：{question}")
    try:
        answer = qa_chain.run(question)
        print(f"   💡 回答：{answer}")
    except Exception as e:
        print(f"   ❌ 回答失败: {e}")

print("\n" + "="*50)
print("🎉 RAG系统测试完成！")
print("="*50)

测试脚本

# 1. 确保你在虚拟环境中（有 (ai_venv) 前缀）
# 如果不在：source ~/ai_venv/bin/activate

# 2. 确保Ollama服务在运行（在另一个终端窗口）
# ollama serve

# 3. 运行你的RAG测试脚本
python /mnt/f/tmp/test_rag.py

运行脚本后的效果