儲蓄保險王

透視各家儲蓄險IRR,踢爆保險黑心貨與偽專家,看見儲蓄險的美麗與陷阱

Python × Ollama 教學：用本地 LLM (Large Language Model 大語言模型)將 JSON 逐筆自動轉成中文自然語言

by · 2025-07-15

加入好友
加入社群
Python × Ollama 教學：用本地 LLM (Large Language Model 大語言模型)將 JSON 逐筆自動轉成中文自然語言 - 儲蓄保險王

前言

使用 OpenAI API 轉自然語言雖然方便，但每次都要花錢。
現在你可以用 Ollama 在本地端免費執行
Qwen、Yi、Deepseek 等強大中文 LLM，
自動把結構化 JSON 資料轉成容易閱讀的中文摘要！

一、環境準備

1. 安裝並啟動 Ollama

ollama serve

運作正常的話,
Chrome連線http://localhost:11434/
要顯示Ollama is running

Python × Ollama 教學：用本地 LLM (Large Language Model 大語言模型)將 JSON 逐筆自動轉成中文自然語言 - 儲蓄保險王

或者在cmd中輸入:

curl http://localhost:11434

看到像這樣的回應：

Python × Ollama 教學：用本地 LLM (Large Language Model 大語言模型)將 JSON 逐筆自動轉成中文自然語言 - 儲蓄保險王

下載支援中文的模型（任選）

ollama pull qwen:7b

ollama pull yi:9b

ollama pull deepseek-llm:7b

ollama pull deepseek-r1:8b

把pull改成 run 可以在terminal與LLM對話
/bye 離開對話模式
ollama list 可以顯示已經下載的模型

Python × Ollama 教學：用本地 LLM (Large Language Model 大語言模型)將 JSON 逐筆自動轉成中文自然語言 - 儲蓄保險王

Qwen（qwen:7b）
阿里巴巴開發，中文理解力強，摘要/轉寫表現出色。

Yi（yi:9b）
百川智能開發，中文和英文都很穩定，適合多領域應用。

Deepseek（deepseek-llm:7b）
開源大模型，中文能力佳且推理能力不俗。

更多模型可查詢 Ollama 官方模型庫。

Python × Ollama 教學：用本地 LLM (Large Language Model 大語言模型)將 JSON 逐筆自動轉成中文自然語言 - 儲蓄保險王

二、Python 程式簡介

這份程式會「逐筆」將 JSON 中每一筆資料，
透過本地 LLM 轉成自然語言描述，
過程中即時存檔，避免中途斷掉資料遺失,
程式執行期間, ollama serve 的terminal不能關掉,
要先pip install ollama。

三、簡化範例程式

import os
import json
from ollama import Client 
#要先 pip install ollama

# 設定資料路徑
json_path = "你的資料夾/fixtureRepair.json"
save_dir = "你的資料夾/Neutral Lang"
os.makedirs(save_dir, exist_ok=True)

# 選擇模型：qwen:7b、yi:9b、deepseek-llm:7b
model_name = "qwen:7b"
save_path = os.path.join(save_dir, 
    f"nl_by_{model_name.replace(':','-')}.json")
tmp_path = os.path.join(save_dir, 
    f"nl_tmp_by_{model_name.replace(':','-')}.json")

# 讀取 JSON 原始資料
with open(json_path, "r", encoding="utf-8") as f:
    records = json.load(f)

# 連接本地 Ollama
client = Client(host="http://localhost:11434")

# few-shot 範例 prompt
prompt = """
請將下列JSON格式的維修紀錄，
轉換成精簡易懂的中文自然語言描述，
若某些欄位為空，則省略該資訊，不要胡亂補充。
範例：
{
    "Family_家族": "['ASTORIA']",
    "sn_治具序号": "015ATR30",
    "faultType_故障分类": "UUT IP FAIL",
    "defectSymptom_故障现象": "無法正常開機",
    "rootCause_故障原因": "Agora 無法正常讀取",
    "correctiveAction_解决方案": "更換agor轉板*1",
    "startTime_开始时间": "2025/03/13 09:09:02",
    "endTime_完成时间": "2025/03/13 10:04:06"
}
輸出：2025年3月13日09:09，
ASTORIA家族的治具（序號015ATR30）發生UUT IP FAIL，
現象為無法正常開機，原因是Agora無法正常讀取，
處理方式為更換Agora轉板，於10:04修復完成。

請處理下列資料：
"""

# 逐筆處理
nl_records = []
for i, rec in enumerate(records):
    user_prompt = prompt + json.dumps(rec, 
    ensure_ascii=False)
    response = client.chat(
        model=model_name,
        messages=[{"role": "user", 
        "content": user_prompt}]
    )
    content = response['message']['content']
    rec_nl = rec.copy()
    rec_nl["自然語言描述"] = content
    nl_records.append(rec_nl)
    # 每筆即時存檔，避免資料遺失
    with open(tmp_path, "w", encoding="utf-8") as f:
        json.dump(nl_records, f, 
        ensure_ascii=False, indent=2)
    print(f"第{i+1}筆完成：{content}")

# 全部完成後存正檔
os.rename(tmp_path, save_path)
print("全部完成！已存檔：", save_path)

client.chat()
chat() 與 generate() 差異與選用時機

1. chat() 方法

  • 用途：模擬多輪對話（如聊天機器人），可以一次傳入多個角色（user、assistant）訊息，維持上下文脈絡。
  • 適合情境：需要多輪互動、上下文記憶、或要自訂 system prompt。
  • 訊息格式：messages=[{"role": "user", "content": "..."}]，可以累積對話歷史。

2. generate() 方法

  • 用途：單次問題單次回答，適合簡單 Prompt→回應的場景。
  • 適合情境：只要發送一個 prompt、取得一個 output，不需要維持對話狀態。
  • 訊息格式：直接用 prompt="..."，簡單直觀。

輸出格式差異

  • chat() 回傳物件要抓 response['message']['content']
  • generate() 回傳物件要抓 response['response']

範例比較

多輪對話（chat）：

messages = [
    {"role": "system", "content": "你是一位專業助理"},
    {"role": "user", "content": "幫我介紹一下Python。"},
    {"role": "assistant", "content": "Python是一種簡單易用的程式語言。"},
    {"role": "user", "content": "它適合初學者嗎？"}
] #範例程式messages:List[dict] 長度僅1 ,效果同generate
response = client.chat(
    model="qwen:7b",
    messages=messages
)
print(response['message']['content'])

適合需要上下文的應用

單輪對話（generate）：

response = client.generate(
    model="qwen:7b",
    prompt="請用一句話介紹Python。"
)
print(response['response'])

適合只要問一題就拿答案

from ollama import Client
上述是使用 ollama 客戶端庫
第二個方法使用 HTTP 請求
(requests 庫向本地運行的 Ollama API 發送請求)

import requests  # 引入 requests 模組，這是 Python 中最常用的 HTTP 用戶端函式庫
import json      # 引入 json 模組 (為了演示等效寫法，實際上如果只用 response.json() 可以不用 import 這個)

# 1. 定義 API 端點 (Endpoint)
# Ollama 預設在本地端的 11434 埠號執行。
# /api/generate 是用來產生單次回應的 API 路徑。
url = "http://localhost:11434/api/generate"

# 2. 準備請求資料 (Payload)
# 這是我們要傳送給 Ollama 的指令，必須是 Python 字典 (dict) 格式。
payload = {
    # "model": 指定要使用的模型名稱。
    # 請確保您已經在終端機執行過 `ollama pull llama3` 下載此模型。
    "model": "llama3", 

    # "prompt": 提示詞，也就是您要問 AI 的問題或指令。
    "prompt": "用中文簡單介紹Ollama的用途。",

    # "stream": 串流模式設定
    # False: (推薦用於簡單測試) 等待 AI 生成完「所有」內容後，才一次性回傳完整的 JSON。
    # True:  (推薦用於聊天機器人) AI 每生成一個字 (Token) 就回傳一次，可以做出打字機效果。
    "stream": False 
}

# 3. 發送 HTTP POST 請求
# requests.post() 會幫我們把 payload 字典自動轉換成 JSON 格式字串 (因為用了 json=payload 參數)。
# 這行程式碼會「卡住 (Block)」，直到 Ollama 生成完畢並回傳結果。
print("正在等待 Ollama 回應...")
response = requests.post(url, json=payload)

# 4. 處理回應結果
# response.json():
#   這是一個 requests 模組提供的捷徑 (Shortcut) 方法。
#   它內部的運作邏輯「完全等效」於執行以下兩步：
#     1. 讀取 raw string:  raw_str = response.text
#     2. 解析 JSON:        data_dict = json.loads(raw_str)
#   
#   所以寫 response.json() 就等於寫 json.loads(response.text)，
#   只是 requests 幫您少寫了一行 import json 和解析的程式碼。
#
#   ["response"]: 是從解析後的字典中，取出 AI 真正回答的文字內容。
print("-" * 30)
print(response.json()["response"])
print("-" * 30)

小結

Python × Ollama 教學：用本地 LLM (Large Language Model 大語言模型)將 JSON 逐筆自動轉成中文自然語言 - 儲蓄保險王

如果只是單題單答，兩種方法都可以用，結果一樣！

四、重點說明

  • 逐筆處理＋即時存檔：遇到中斷也能保留處理進度。
  • 模型切換超簡單：只要改 model_name，就能比對不同模型的表現。
  • prompt 內建 few-shot 範例：讓模型學會你想要的描述格式。

五、結論

只要安裝好 Ollama 跟中文 LLM，
就能本地高效安全地批次將結構化資料自動「翻譯」成自然語言。
不用花 OpenAI API 錢，也不用擔心資料外流！
缺點則是普通電腦執行速度極慢,
不適合數千筆資料的轉換

推薦hahow線上學習python: https://igrape.net/30afN

加入好友
加入社群
Python × Ollama 教學：用本地 LLM (Large Language Model 大語言模型)將 JSON 逐筆自動轉成中文自然語言 - 儲蓄保險王

儲蓄保險王

儲蓄險是板主最喜愛的儲蓄工具,最喜愛的投資理財工具則是ETF,最喜愛的省錢工具則是信用卡

You may also like...

發佈留言

發佈留言必須填寫的電子郵件地址不會公開。 必填欄位標示為 *

阿腸網頁設計