Langchain-Chatchat 开源项目，这是一个基于 Langchain 框架和 ChatGLM 等大语言模型实现的检索增强生成 (RAG) 知识库解决方案。文章详细阐述了项目的实现原理，包括文档处理、向量化及检索流程。内容涵盖软件与硬件部署要求，提供了 Docker 一键部署和本地源码部署两种方案，并说明了 Lite 模式的使用方法。此外，还补充了模型配置详解、向量数据库选择及常见问题的排查方法，旨在帮助用户快速搭建本地智能知识库。
Langchain-Chatchat 是一个基于 ChatGLM 等大语言模型与 Langchain 应用框架实现的开源项目。它支持检索增强生成 (RAG) 技术，提供可离线部署的本地知识库问答解决方案。
本项目利用 Langchain 思想实现基于本地知识库的问答应用。目前 Langchain 是开发大语言模型 (LLM) 应用的首选框架之一。本项目的目标是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。
依托于本项目支持的开源 LLM 与 Embedding 模型，可实现全部使用开源模型进行离线私有部署。同时，项目也支持 OpenAI GPT API 的调用，并持续扩充对各类模型及模型 API 的接入。
本项目全流程使用开源模型来实现本地知识库问答应用。最新版本中通过 FastChat 接入 Vicuna, Alpaca, LLaMA, Koala, RWKV 等模型。依托于 Langchain 框架，支持通过基于 FastAPI 提供的 API 调用服务，或使用基于 Streamlit 的 WebUI 进行操作。
整个流程的执行过程主要包含以下步骤：
从文档处理角度来看，实现流程包括解析、清洗、分块、嵌入和索引。需要注意的是，本项目未涉及微调或训练过程，但可利用微调或训练对本项目效果进行优化。
在 GPU 上运行本地模型的 FP16 版本需要足够的显存以保证稳定连续对话：
处理器：Intel® Core™ i9 processor 14900K
内存：256 GB DDR5
显卡组：NVIDIA RTX4090 X 1 / NVIDIA RTXA6000 X 1
硬盘：1 TB
操作系统：Ubuntu 22.04 LTS / Arch Linux, Linux Kernel 6.6.7
显卡驱动版本：545.29.06
Cuda 版本：12.3 Update 1
Python 版本：3.11.7
开发组提供了一键部署的 Docker 镜像文件。开发者可以在 Docker 平台一键部署。
docker run -d --gpus all -p 80:8501 isafetech/chatchat:0.2.10
docker run -d --gpus all -p 80:8501 ccr.ccs.tencentyun.com/chatchat/chatchat:0.2.10
docker run -d --gpus all -p 80:8501 registry.cn-beijing.aliyuncs.com/chatchat/chatchat:0.2.10
nvidia/cuda:12.1.1-cudnn8-devel-ubuntu22.04 为基础镜像。bge-large-zh-v1.5。首先确认机器安装了 Python 3.8 - 3.10 版本。
python --version
conda create -p /your_path/env_name python=3.8
source activate /your_path/env_name
pip3 install --upgrade pip
拉取仓库并进入目录：
git clone --recursive https://github.com/chatchat-space/Langchain-Chatchat.git
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）。以下是可选依赖说明：
requirements.txt 中相应依赖取消注释再安装。rapidocr_paddle[gpu]。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。
git lfs install
git clone https://huggingface.co/THUDM/chatglm2-6b
git clone https://huggingface.co/moka-ai/m3e-base
当前项目的知识库信息存储在数据库中，在正式运行项目之前请先初始化数据库。
# 如果您已经有创建过知识库
python init_database.py --create-tables
# 如果您是第一次运行本项目
python init_database.py --recreate-vs
一键启动脚本 startup.py，启动所有 Fastchat 服务、API 服务、WebUI 服务。
python startup.py -a
正常启动后，会有两种使用界面：
对于没有显卡的用户，项目提供了 Lite 模式。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 Embeddings 相关功能。
pip install -r requirements_lite.txt
python startup.py -a --lite
该模式支持的在线 Embeddings 包括：
在 model_config.py 中将 LLM_MODELS 和 EMBEDDING_MODEL 设置为可用的在线 API 名称即可。
核心配置文件位于 config/model_config.py。在此文件中可以自定义以下参数：
chatglm3, qwen, llama2 等。m3e-base, bge-large-zh 等。faiss, milvus, pgvector。cuda, cpu。如果报错 CUDA out of memory，尝试以下方法：
batch_size。如果提示找不到模型文件，请检查 model_config.py 中的路径是否正确，并确保模型文件已下载到本地目录。
如果遇到依赖包版本冲突，建议使用虚拟环境隔离，并严格按照 requirements.txt 安装。
Langchain-Chatchat 项目结构清晰，针对当前热门的 AI 知识库给出了一种非常好的构建方式，并且做到了全链条的开源产品。无论你是希望直接使用它来构建知识库，还是希望通过本项目学习和实现自己的解决方案，都会是非常好的选择。
建议深入理解项目的架构设计，因为这类项目最精华的部分在于其架构逻辑。通过合理配置模型和向量库，可以实现高效、私有的本地智能问答系统。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online