基于 Langchain-Chatchat 快速构建本地 LLM 智能知识库

部署 Langchain-Chatchat

Docker 部署

开发组为开发者们提供了一键部署的 docker 镜像文件懒人包。开发者们可以在 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

• 该版本镜像大小 50.1GB，使用 v0.2.10，以 nvidia/cuda:12.1.1-cudnn8-devel-ubuntu22.04 为基础镜像
• 该版本为正常版本，非轻量化版本
• 该版本内置并默认启用一个 Embedding 模型：bge-large-zh-v1.5，内置并默认启用 ChatGLM3-6B
• 该版本目标为方便一键部署使用，请确保您已经在 Linux 发行版上安装了 NVIDIA 驱动程序
• 请注意，您不需要在主机系统上安装 CUDA 工具包，但需要安装 NVIDIA Driver 以及 NVIDIA Container Toolkit，请参考安装指南

本地部署方案

1. 安装 python 环境

首先，确信你的机器安装了 Python 3.8 - 3.10 版本。

# 检查版本
$ 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
# 或者使用 conda 命名空间
$ conda create -n env_name python=3.8
$ conda activate env_name # Activate the environment
# 更新 pip 库
$ pip3 install --upgrade pip

2. 安装项目相关的依赖

# 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

3. 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。

$ git lfs install
$ git clone https://huggingface.co/THUDM/chatglm2-6b
$ git clone https://huggingface.co/moka-ai/m3e-base

4. 初始化知识库

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

5. 启动服务

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

启动界面

正常启动后，会有两种使用界面，一种是 WebUI，另一种是使用方式是 API。

Web UI 提供知识库管理页面，支持文档上传、切片配置及问答交互。API 接口则允许开发者通过 HTTP 请求集成到自己的应用中。

最轻模式

以上的部署方式是需要显卡的，对于我们这些没卡的一族来说，就很尴尬。但是项目很贴心，提供一个 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，适合没有显卡的电脑使用。

$ 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。

高级配置与优化

配置文件说明

项目核心配置文件通常为 config.yaml 或 model_config.py。用户可以通过修改此文件来调整默认模型路径、向量库类型及 API 密钥。

例如，若需切换默认使用的 Embedding 模型，可在配置文件中指定：

embedding_model: m3e-base

性能优化建议

1. 模型量化：对于显存有限的设备，建议使用 INT4 或 INT8 量化版本的模型，可显著降低显存占用。
2. 批处理：在批量导入文档时，适当调整 batch size 以提高处理速度。
3. 缓存机制：启用 Redis 缓存问答结果，减少重复计算。

常见问题排查

1. CUDA 错误：确保安装的 CUDA 版本与 PyTorch 版本匹配。
2. 内存溢出：尝试减小 batch_size 或更换更小的模型。
3. 连接超时：检查防火墙设置，确保端口 8501 已开放。

总结

项目的结构非常不错，针对当前热门的 AI 知识库给出一种非常好的构建方式，而且还做到了全链条的开源产品。所以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。

建议大家不要单纯的伸手党，还是要自己去研究一下项目的架构，因为这类项目实际上最精华的就是架构设计。通过深入理解其 RAG 流程和模块解耦，可以为后续的业务定制打下坚实基础。