Moduł 1  |  Instrukcja pracy  |  Lokalne chatboty i RAG

Instrukcja pracy uczestnika · Moduł 1

Instrukcja pracy z modułem 1

Od rozmowy z modelem językowym do idei systemu RAG

Czas

około 135 min ćwiczeń

Pracujesz z

kartami pracy, notebookami i dokumentacją DocAssist

Rezultat

sześć notebooków i wyniki R1–R6

Wykonasz sześć krótkich ćwiczeń i sprawdzisz, jak dokument wpływa na odpowiedź lokalnego modelu. Instrukcja prowadzi przez przygotowanie stanowiska, pracę z rozdziałami i zapis wyników.

1Cel i rezultat modułu

Wyjaśnisz rolę wyszukiwania w systemie RAG i granice wiarygodności odpowiedzi. Rozróżnisz model, aplikację i prompt oraz ocenisz, czy twierdzenie ma oparcie w źródle.

Po zakończeniu masz

• sześć uzupełnionych notebooków i wybrane katalogi wyników R1–R6;
• porownanie_AB.json z trzema próbami oraz opis_projektu.md;
• własne uzasadnienia ocen i oznaczenie wyników własnych oraz demonstracyjnych.

2Zanim zaczniesz

Rozpakuj cały pakiet i pracuj na własnej kopii katalogu Student. Zachowaj obok siebie foldery dane, kod, notebooki, karty_pracy i wyniki. Ścieżki w instrukcji są liczone od Student. Przeczytaj START.md; kod pomocniczy jest gotowy i nie trzeba przepisywać go ze slajdów.

Zaplanuj także około 75–95 minut narracji modułu, zależnie od tempa i pauz. Instalację wykonaj wcześniej. Prowadzący może rozdzielić oglądanie i pracę praktyczną.

3Przygotowanie stanowiska krok po kroku

Potrzebujesz Python 3.10 lub nowszego, JupyterLab i lokalnego Ollama. Podstawowy model to qwen3:4b-instruct-2507-q4_K_M. GPU nie jest wymagane przez pakiet; szybkość i możliwość wczytania modelu zależą od pamięci i komputera.

1. Pobierz model

   Zainstaluj Python i Ollama z oficjalnych stron. Uruchom Ollama, a następnie wykonaj w terminalu:

   ollama pull qwen3:4b-instruct-2507-q4_K_M
2. Uruchom JupyterLab

   Otwórz terminal w rozpakowanym folderze Student i wykonaj kolejno:

   py -m venv .venv .\.venv\Scripts\python.exe -m pip install -r requirements.txt .\.venv\Scripts\python.exe -m ipykernel install --prefix .venv --name m1 --display-name "Python M1" .\.venv\Scripts\python.exe -m jupyterlab
3. Sprawdź pliki

   W Jupyter otwórz notebook testowy i wybierz kernel Python M1:

   notebooki/00_sprawdzenie_srodowiska.ipynb

   Uruchamiaj komórki od góry przez Shift + Enter. Domyślne MODE="demo" sprawdza pliki bez wywołania modelu. W razie wątpliwości zrestartuj kernel i uruchom wszystkie komórki.

4. Sprawdź własny model

   Zmień istniejące ustawienie na MODE="ollama" i ponownie uruchom przygotowanie oraz test.

   W konfiguracja.json sprawdź dokładną nazwę modelu i adres http://127.0.0.1:11434. Tag modelu porównaj z wynikiem polecenia ollama list. W zestawie A/B/C zachowaj wspólny model i ustawienia.

Linux i macOS — różnice w poleceniach

Utwórz środowisko poleceniem python3 -m venv .venv. W kolejnych poleceniach zastąp ścieżkę Windows przez .venv/bin/python.

Pobranie środowiska i modelu wymaga Internetu; po instalacji ćwiczenia mogą działać lokalnie.

4Wybierz i oznacz tryb pracy

5Praca z rozdziałami krok po kroku

Pracuj kolejno od R1 do R6. Do każdego rozdziału otwórz właściwą kartę z folderu karty_pracy i odpowiadający jej notebook z folderu notebooki.

Rytm pracy w każdym rozdziale

1. Otwórz materiały

   Obejrzyj odpowiednią prezentację HTML i zatrzymuj ją w miejscach ćwiczeń.

   Sprawdź cel, materiały wejściowe i oczekiwany rezultat w karcie pracy. W R1, R3 i R6 wybierz właściwy tryb przed uruchomieniem komórki Przygotowanie.

2. Wykonaj ćwiczenie

   Uruchamiaj komórki notebooka w kolejności wskazanej w karcie.

   Zanotuj katalog wyświetlony po komunikacie Wyniki. Zachowaj oryginalne odpowiedzi i dane źródłowe; nie poprawiaj surowego wyniku modelu.

3. Uzupełnij własną ocenę

   Zastąp pola UZUPEŁNIJ własną analizą i uzasadnieniem.

   Oceniaj poprawność, istotne warunki, możliwość sprawdzenia i dopowiedzenia. Sama nazwa źródła nie wystarcza. Dla TXT podaj dokument, wersję i sekcję, bez numeru strony z przykładu na slajdzie.

4. Zapisz i sprawdź rezultat

   Uruchom komórkę oceny i zapisu, a następnie otwórz plik wynikowy.

   Sprawdź zgodność raportu z analizowaną próbą i zapisz notebook przez Ctrl + S. Jeśli model się pomylił, opisz błąd i jego podstawę zamiast zmieniać odpowiedź.

6Punkty kontrolne pracy

7Nazewnictwo i zapis wyników

Wyniki zapisują się w:

Nazwę <data_id> nadaje program. Odczytaj ścieżkę z komunikatu Wyniki; zachowaj nazwy plików z tabeli rozdziałów.

8Lista kontroli przed zakończeniem

• Zapisałem notebooki i sprawdziłem pliki wynikowe R1–R6.
• Oznaczyłem rzeczywisty sposób pracy i uzupełniłem własne uzasadnienia.
• Odróżniam model od aplikacji i potrafię wskazać brak podstaw odpowiedzi.
• Umiem znaleźć konkretny fragment źródła potwierdzający zdanie.
• Wiem, co automatyzuje RAG i że kontekst nie trenuje modelu na stałe.

9Gdy pojawi się problem

Brak połączenia

Uruchom Ollama i sprawdź adres w konfiguracja.json. Klucz API nie jest potrzebny.

Brak wskazanego modelu

Porównaj tag z ollama list. Pobierz model lub wpisz dostępny tag i powtórz cały zestaw A/B/C.

Długi czas odpowiedzi lub timeout

Zwiększ timeout_seconds w konfiguracji. Zamknij zbędne obciążenia albo skorzystaj ze stanowiska prowadzącego.

Brak modułu m1_tools

Rozpakuj cały pakiet i uruchom Jupyter z folderu Student. Nie przenoś samych notebooków.

Odpowiedź urwana

Zwiększ num_predict i powtórz wszystkie warianty. Zachowaj poprzedni wynik jako niepełny.

Wynik różny od przykładu

Różny wynik jest normalny. Sprawdź źródło, opisz różnicę i zachowaj surową odpowiedź.

10Zasady odbioru

Sposób oddania i znaczenie ćwiczeń dla zaliczenia określa prowadzący. Raport ze slajdu 100 jest opcjonalny; materiały nie zmieniają zasad zaliczenia kursu.

Dokumentacja instalacji i modelu

• InstalacjaJupyterLab
• InstalacjaOllama
• KlientOllama — API chat
• Modeleqwen3 — lista tagów

Instrukcja pracy uczestnika  |  Moduł 1  |  Lokalne chatboty i RAG