首页
/ ScrapeGraphAI项目中的Ollama模型tokenization实现解析

ScrapeGraphAI项目中的Ollama模型tokenization实现解析

2025-05-11 13:41:49作者:庞眉杨Will

在ScrapeGraphAI项目中,tokenization(分词)功能的实现对于处理大语言模型(LLM)的输入输出至关重要。本文将深入探讨该项目中针对Ollama模型的tokenization实现过程及其技术细节。

tokenization的重要性

tokenization是将文本转换为模型可理解的token序列的过程,对于控制输入长度、计算成本和优化性能都至关重要。在ScrapeGraphAI中,tokenization功能最初是为OpenAI和Mistral模型实现的,但Ollama模型的tokenization存在一些特殊挑战。

实现过程中的关键问题

项目初期尝试在ScriptCreatorGraph中使用Ollama模型时遇到了tokenization相关的错误。核心问题在于Ollama模型的属性访问方式与其他模型不同——需要使用llm_model.model而非llm_model.model_name来获取模型名称。

更深入的技术挑战在于,Ollama目前尚未提供官方的tokenization端点,这导致Langchain框架中的get_num_tokens实现也不完整。这一限制使得精确计算token数量变得困难。

临时解决方案

作为过渡方案,项目采用了以下技术路线:

  1. 修改属性访问方式以正确识别Ollama模型
  2. 暂时依赖Langchain现有的API实现
  3. 优化了chunking代码的性能,避免对每个单词都调用tokenizer

值得注意的是,对于Mistral模型,直接对每个单词进行tokenization会导致严重的性能问题(处理长网页可能需要数秒/词)。因此项目转而使用semchunk方法,显著减少了tokenizer调用次数。

未来改进方向

随着Ollama官方tokenization端点的推出(已有相关PR),项目将能够实现更精确的token计数。届时,Langchain框架很可能会更新其API,ScrapeGraphAI也将随之升级而无需大规模修改代码。

技术选型考量

项目团队曾考虑过使用Hugging Face包直接下载tokenizer的替代方案,但考虑到需要额外处理模型ID和API密钥(特别是对于Llama 3.1等受限模型),最终决定等待Ollama原生解决方案,以保持代码简洁性。

这一系列实现展示了ScrapeGraphAI项目在处理不同LLM模型时的技术适应能力和对性能优化的持续关注,为开发者提供了稳定可靠的大语言模型集成方案。

登录后查看全文
热门项目推荐

热门内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
273
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
923
551
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
421
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8