LangChain-Chatchat 实践

1. 说明

比较了几个AI LLM的集成应用工具(比如Quivr, Dify, one-api), 还是LangChain-Chatchat更符合我的需要:

支持私有化部署不同的LLM
知识库支持
Api支持
开源免费, 容易二开

条项	路径
LangChain-Chatchat 项目	/data0/Projects/Langchain-Chatchat
LLM 语言模型保存路径	/data0/Projects/LLMs

安装环境:

软件: ubuntu22.04 / python 3.10 / pip22

硬件: 虚拟机 i9cpu, 分配16核, 52G内存, 500G硬盘

2. 安装

说明: 没选择docker方案是因为想更了解实现原理及二开需要

2.1 为避免安装时出现 "python setup.py egg_info did not run successfully." 问题

pip install setuptools-scm
pip install seqeval

2.2 资料准备

LangChain-Chatchat: : 用科学方法下载到路径 /data0/Projects/Langchain-Chatchat

LLM语言模型: 用科学方法下载到路径 /data0/Projects/LLMs

名称	源	备注
LangChain-Chatchat	https://github.com/chatchat-space/Langchain-Chatchat.git	使用
bge-large-zh	https://huggingface.co/BAAI/bge-large-zh	备用
bge-large-zh-v1.5	https://huggingface.co/BAAI/bge-large-zh-v1.5	使用
chatglm3-6b	https://huggingface.co/THUDM/chatglm3-6b	使用

2.3 执行

安装依赖库

# 进入目录
$ cd /data0/Projects/Langchain-Chatchat

# 安装全部依赖
$ pip install -r requirements.txt 
$ pip install -r requirements_api.txt
$ pip install -r requirements_webui.txt

生成配置文件

python copy_config_example.py

修改配置文件, 仅列出修改之处 (因CPU比GPU便宜,选用CPU方式 : 0):

configs/model_config.py

...
MODEL_ROOT_PATH = "/data0/Projects/LLMs"

# 选用的 Embedding 名称
EMBEDDING_MODEL = "bge-large-zh-v1.5"


# Embedding 模型运行设备。设为 "auto" 会自动检测(会有警告)，也可手动设定为 "cuda","mps","cpu","xpu" 其中之一。
# EMBEDDING_DEVICE = "auto"
EMBEDDING_DEVICE = "cpu"

...
# 要运行的 LLM 名称，可以包括本地模型和在线模型。列表中本地模型将在启动项目时全部加载。
# 列表中第一个模型将作为 API 和 WEBUI 的默认模型。
# 在这里，我们使用目前主流的两个离线模型，其中，chatglm3-6b 为默认加载模型。
# 如果你的显存不足，可使用 Qwen-1_8B-Chat, 该模型 FP16 仅需 3.8G显存。

LLM_MODELS = ["chatglm3-6b", "zhipu-api", "openai-api"]
...

MODEL_PATH = {
    "embed_model": {
        "bge-large-zh": "/data0/Projects/LLMs/bge-large-zh",
        "bge-large-zh-v1.5": "/data0/Projects/LLMs/bge-large-zh-v1.5",
    },

    "llm_model": {
        "chatglm3-6b": "/data0/Projects/LLMs/chatglm3-6b",
    },
}

初始化知识库, 如果模型路径不对,会初始化失败,也导不进知识库文件