本文介绍开源项目 Langchain-Chatchat，这是一个基于 Langchain 和大语言模型（LLM）的检索增强生成（RAG）知识库解决方案。支持离线私有部署，兼容多种开源模型及 Embedding 模型。文章涵盖项目原理、软硬件部署要求、Docker 与本地部署步骤、Lite 模式配置以及常见问题排查，旨在帮助开发者快速搭建本地化的智能问答系统。内容包含详细的命令操作、配置优化建议及故障处理方法，适合有 Python 基础的技术人员阅读。
Langchain-Chatchat 是一个开源、可离线部署的检索增强生成 (RAG) 大模型知识库项目。它基于 ChatGLM 等大语言模型与 Langchain 等应用框架实现，旨在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。
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 可以说是开发 LLM 应用的首选框架。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，并将在后续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。最新版本中通过使用 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。
从文档处理角度来看，实现流程主要包括以下步骤：
需要注意的是，本项目未涉及微调、训练过程，但可利用微调或训练对本项目效果进行优化。
如果想要顺利在 GPU 运行本地模型的 FP16 版本，建议参考以下配置以保证稳定连续对话：
| 模型类型 | 最低显存要求 | 推荐显卡 |
|---|---|---|
| ChatGLM3-6B / LLaMA-7B-Chat | 14GB | RTX 4080 |
| Qwen-14B-Chat | 30GB | V100 |
| Yi-34B-Chat | 69GB | A100 |
| Qwen-72B-Chat | 145GB | 多卡 A100 以上 |
实际部署配置示例：
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 AutoDL 平台和 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
注意事项：
# 首先，确信你的机器安装了 Python 3.8 - 3.10 版本
$ python --version
Python 3.8.13
# 创建 conda 环境
$ conda create -p /your_path/env_name python=3.8
$ source activate /your_path/env_name
# 或者
$ conda create -n env_name python=3.8
$ conda activate env_name
# 更新 pip 库
$ pip3 install --upgrade pip
# 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
可选依赖说明：
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
使用一键启动脚本 startup.py，一键启动所有 Fastchat 服务、API 服务、WebUI 服务。
$ python startup.py -a
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：智谱 AI、MiniMax、百度千帆、阿里云通义千问。在 model_config.py 中将 LLM_MODELS 和 EMBEDDING_MODEL 设置为可用的在线 API 名称即可。
正常启动后，会有两种主要使用界面：
在 config.yaml 或 model_config.py 中，可以灵活切换不同的 LLM 和 Embedding 模型。例如，若需更换为 Qwen 系列模型，只需修改配置文件中的模型路径和参数。
# model_config.py 示例
LLM_MODELS = {
"qwen-chat": {
"path": "./models/qwen-7b-chat",
"model_type": "llama"
}
}
默认使用 FAISS 作为向量存储，适用于单机小数据量场景。若需生产级高并发支持，可配置 Milvus 或 PgVector。
# 启用 Milvus 支持
pip install pymilvus
# 修改 config 设置 vector_store_type: milvus
CUDA Out of Memory
模型加载失败
git-lfs 是否正确安装。model_config.py 中的路径是否指向正确的本地目录。WebUI 无法访问
Langchain-Chatchat 针对当前热门的 AI 知识库需求，给出了一种非常好的构建方式。它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。
建议开发者不要单纯使用现成代码，而是深入研究项目的架构设计。这类项目最精华的部分在于其 RAG 流程的实现与模块解耦，理解这些有助于在实际业务中进行定制化开发。通过掌握该项目，你可以更好地应对企业数据 AI 应用开发需求，实现大模型理论、GPU 算力、硬件、LangChain 开发框架和项目实战技能的一站式掌握。
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