|
你是否也有这样的桌面？为了方便找材料，全部放到了桌面，最后结果就是“用起一时爽，找起火葬场” 。
你是否也是盘即个人电脑磁使再怎么不够用，也舍不得删除几年前做的运维方案、架构方案、设计方案文档？最后即使文档都保存了，存云盘了，到用的时候依旧发现找不到，找的也不是想要的。
|大模型知识库is all youneed 
现在不用再担心了找不到材料文档了，GitHub开源了一款可离线，支持检索增强生成(RAG)大模型的知识库项目。虽然开源时间不长，但是势头很猛，已经斩获25K Star。具备以下特点： 项目利用 langchain 思想实现的基于本地知识库的问答应用，目标期望建立一套对中文场景与开源模型支持友好、可离线运行的知识库问答解决方案； 项目支持的开源 LLM 与 Embedding 模型，本项目可实现全部使用开源模型离线私有部署。与此同时，本项目也支持 OpenAI GPT API 的调用，并将在后续持续扩充对各类模型及模型 API 的接入； 项目方案采用Apache License，可以免费商用，无需付费。
|
总结下重点就是： 支持中文，可私有化部署，免费商用！ 支持中文，可私有化部署，免费商用！ 支持中文，可私有化部署，免费商用！
重要的事情说三遍
项目名称：Langchain-Chatchat项目地址：https://github.com/chatchat-space/Langchain-Chatchat
?原理介绍视频（点击可看视频）
从文档处理角度来看，实现流程如下： 
技术路线Langchain应用基础React形式的Agent实现，包括调用计算器等Langchain自带的Agent实现和调用智能调用不同的数据库和联网知识本地数据接入搜索引擎接入Agent实现LLM模型接入支持通过调用FastChatapi调用llm支持ChatGLMAPI等LLMAPI的接入支持Langchain框架支持的LLMAPI接入Embedding模型接入支持调用HuggingFace中各开源Emebdding模型支持OpenAIEmbeddingAPI等EmbeddingAPI的接入支持智谱AI、百度千帆、千问、MiniMax等在线EmbeddingAPI的接入基于FastAPI的API方式调用WebUI基于Streamlit的WebUI |大模型知识库来袭 3种部署方式 Docker 部署一行代码搞定，但是建议网速不好的同学不要尝试 dockerrun-d--gpusall-p80:8501registry.cn-beijing.aliyuncs.com/chatchat/chatchat:0.2.7
常规模式本地部署方案1. 环境配置
# 首先，确信你的机器安装了 Python 3.8 - 3.10 版本$ python --versionPython 3.8.13
# 如果低于这个版本，可使用conda安装环境$ conda create -p /your_path/env_name python=3.8
# 激活环境$ source activate /your_path/env_name
# 或，conda安装，不指定路径, 注意以下，都将/your_path/env_name替换为env_name$ conda create -n env_name python=3.8$ conda activate env_name # Activate the environment
# 更新py库$ pip3 install --upgrade pip
# 关闭环境$ source deactivate /your_path/env_name
# 删除环境$ conda env remove -p/your_path/env_name
接着，开始安装项目的依赖
# 拉取仓库$ git clone --recursive https://github.com/chatchat-space/Langchain-Chatchat.git
# 进入目录$ cd Langchain-Chatchat
# 安装全部依赖$ pip install -r requirements.txt
# 默认依赖包括基本运行环境（FAISS向量库）。以下是可选依赖：- 如果要使用 milvus/pg_vector 等向量库，请将 requirements.txt 中相应依赖取消注释再安装。- 如果要开启 OCR GPU 加速，请安装 rapidocr_paddle[gpu]- 如果要使用在线 API 模型，请安装对用的 SDK
此外，为方便用户 API 与 webui 分离运行，可单独根据运行需求安装依赖包。
$ pip install -r requirements_api.txt
# 默认依赖包括基本运行环境（FAISS向量库）。如果要使用 milvus/pg_vector 等向量库，请将 requirements.txt 中相应依赖取消注释再安装。
$pipinstall-rrequirements_webui.txt
2. 模型下载如需在本地或离线环境下运行本项目，需要首先将项目所需的模型下载至本地，通常开源 LLM 与 Embedding 模型可以从 HuggingFace 下载。 以本项目中默认使用的 LLM 模型 THUDM/ChatGLM3-6B 与 Embedding 模型 BAAI/bge-large-zh 为例： 下载模型需要先安装 Git LFS，然后运行
$gitlfsinstall$gitclonehttps://huggingface.co/THUDM/chatglm3-6b$gitclonehttps://huggingface.co/BAAI/bge-large-zh
3. 初始化知识库和配置文件
按照下列方式初始化自己的知识库和简单的复制配置文件
$pythoncopy_config_example.py$pythoninit_database.py--recreate-vs
4. 一键启动 按照以下命令启动项目
最轻模式本地部署方案 该模式的配置方式与常规模式相同，但无需安装 torch 等重依赖，通过在线API实现 LLM 和 Ebeddings 相关功能，适合没有显卡的电脑使用。
$pipinstall-rrequirements_lite.txt$pythonstartup.py-a--lite
Demo示例
| 
