rag-from-scratch/ollama

Ollama — Verifica Ambiente

Prima di procedere con la vettorizzazione (step 8) devi avere installato:

• Ollama — server locale per LLM e embedding
• un modello di embedding (es. qwen3-embedding:0.6b, bge-m3)
• un modello LLM (es. qwen3.5:4b)
• chromadb — libreria Python per il vector store

---

1. Installa Ollama

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

Verifica che il servizio sia attivo:

ollama list

Disinstalla Ollama

# Ferma e rimuovi il servizio systemd
sudo systemctl stop ollama
sudo systemctl disable ollama
sudo rm /etc/systemd/system/ollama.service
sudo systemctl daemon-reload

# Rimuovi il binario
sudo rm /usr/local/bin/ollama

# Rimuovi modelli e dati (opzionale)
sudo rm -rf /usr/share/ollama

# Rimuovi utente e gruppo di sistema (opzionale)
sudo userdel ollama
sudo groupdel ollama

---

2. Scarica i modelli

Modello di embedding (consigliato)

ollama pull qwen3-embedding:0.6b

Alternative supportate:

• nomic-embed-text-v2-moe
• bge-m3
• nomic-embed-text

Se cambi embedding model rispetto a quello usato in ingestion, riesegui ingest con --force e aggiorna EMBED_MODEL in config.py.

Modello LLM (consigliato per 8 GB RAM)

ollama pull qwen3.5:4b

Se usi un modello diverso, aggiorna OLLAMA_MODEL in config.py.

Disinstalla un modello

ollama rm qwen3.5:4b
ollama rm qwen3-embedding:0.6b

---

3. Installa le dipendenze Python

source .venv/bin/activate
pip install -r requirements.txt

---

4. Verifica ambiente

source .venv/bin/activate
python ollama/check_env.py

Output atteso (esempio):

✅ ollama trovato nel PATH
✅ ollama risponde correttamente
✅ embedding disponibile: qwen3-embedding:0.6b
✅ LLM disponibile: qwen3.5:4b
✅ chromadb importabile
✅ Ambiente pronto — procedi con la vettorizzazione:
   python ingestion/ingest.py --stem <nome>

---

Prossimo step

python ingestion/ingest.py --stem <nome>