Python结合ollama和stramlit开发聊天机器人

一、环境准备
- 1、streamlit安装
- 2、langchain安装
- 3、ollama的安装
二、Ollama平台聊天机器人实现
- 1、需求
- 2、模型调用
- 3、前端实现
- - 页面呈现
  - 代码实现
三、详细代码地址
四、参考资源

一、环境准备

1、streamlit安装

# 通过 pip 安装
pip install streamlit# 验证安装
streamlit hello

运行应用：

streamlit run main.py

如果运行不成功，可以带上Python版本运行

python3.13 -m streamlit run main.py

浏览器会自动打开 http://localhost:8501 显示应用。

2、langchain安装

参考下面的文章

你好！这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

3、ollama的安装

参考下面
文章
mac ollama install

二、Ollama平台聊天机器人实现

1、需求

构建一个基于大模型的本地智能聊天机器人。该聊天机器人将集成先进的大规模预训练语言模型（如GPT、Qwen等），具备自然语言理解、多轮对话、情感分析、知识问答等核心功能。

项目采用模块化设计，前端通过Streamlit框架实现简洁易用的交互界面，后端基于Ollama等平台进行模型部署和管理，确保系统的高效性和可扩展性。

2、模型调用

import ollama# 接收用户输入的提示词
def get_response(prompt):# 指定模型，传递角色 和提示词response = ollama.chat(model="qwen2:0.5b",messages=[{"role": "user","content": prompt,},],)return response.message.content

3、前端实现

页面呈现

访问地址
页面：
在这里插入图片描述

代码实现

"""
该模块用于充当聊天机器人的前端模块，
接收用户输入的问题，调用chat_utils模块，获取回复，
通过streamlit模块，将回复并显示给用户
"""
# streamlit库：python 代码实现前端页面开发并部署
import streamlit as st# 聊天机器人核心模块
# ConversationBufferMemory存储聊天机器人的会话记录
from langchain.memory import ConversationBufferMemory
import chat_utils# 标题
st.title("zeoy's chat robot")# 判断是否有历史聊天记录数据，如果没有就创建，并存储所有记录消息# st.session_state存储会话状态，用于存储会话数据
if "history" not in st.session_state:# 创建一个conversationBufferMemory对象，用于存储会话记录st.session_state.memory = ConversationBufferMemory()# 添加聊天机器人的欢迎语句st.session_state.message = [{"role": "assistant", "content": "welcome to zeoy's chat robot."}]# 遍历session_state.message列表，
for message in st.session_state.message:#  聊天消息 显示当前角色内容with st.chat_message(message["role"]):st.markdown(message["content"])# 接收用户录入的内容
promt = st.chat_input("请输入你要咨询的问题")# 判断用户输入的内容是否为空
if promt:# 显示用户输入的内容st.session_state.message.append({'role': 'user', 'content': promt})st.chat_message('user').markdown(promt)# 获取机器人的回复response = chat_utils.get_response(promt)# 显示机器人的回复with st.chat_message("assistant"):st.markdown(response)# 将用户输入的内容和机器人的回复添加到session_state.message列表中st.session_state.message.append({'role': 'assistant', 'content': response})