微信扫码
与创始人交个朋友
我要投稿
觉得搞一个AI的智能问答知识库很难吗?那是你没有找对方向和工具,
今天我们分享一个开源项目,帮助你快速构建基于Langchain 和LLM 的本地知识库问答,在GitHub已经获得27K star,它就是:Langchain-Chatchat
Langchain-Chatchat 是什么
Langchain-Chatchat基于 ChatGLM 等大语言模型与 Langchain 等应用框架实现,开源、可离线部署的检索增强生成(RAG)大模型知识库项目。
本项目利用 langchain 思想实现的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,而本项目的目标就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,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。
实现原理
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。
可以通过下面的图来直观看到的整个流程的执行过程,非常值得参考学习。
再从从文档处理角度来看,实现流程如下:
这里需要注意,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。
部署要求
操作系统
Linux Ubuntu 22.04.5 kernel version 6.7
其他系统可能出现系统兼容性问题。
最低要求
该要求仅针对标准模式,轻量模式使用在线模型,不需要安装torch等库,也不需要显卡即可运行。
Python 版本: >= 3.8(很不稳定), < 3.12
CUDA 版本: >= 12.1
推荐要求
开发者在以下环境下进行代码调试,在该环境下能够避免最多环境问题。
Python 版本 == 3.11.7
CUDA 版本: == 12.1
如果想要顺利在GPU运行本地模型的 FP16 版本,你至少需要以下的硬件配置,来保证在我们框架下能够实现 稳定连续对话
ChatGLM3-6B & LLaMA-7B-Chat 等 7B模型
最低显存要求: 14GB
推荐显卡: RTX 4080
Qwen-14B-Chat 等 14B模型
最低显存要求: 30GB
推荐显卡: V100
Yi-34B-Chat 等 34B模型
最低显存要求: 69GB
推荐显卡: A100
Qwen-72B-Chat 等 72B模型
最低显存要求: 145GB
推荐显卡: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: 545.29.06Cuda版本: 12.3 Update 1Python版本: 3.11.7
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:0.2.10docker run -d --gpus all -p 80:8501 ccr.ccs.tencentyun.com/chatchat/chatchat:0.2.10docker 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
本地部署方案
安装python环境
# 首先,确信你的机器安装了 Python 3.8 - 3.10 版本
$ python --version
Python 3.8.13
$ conda create -p /your_path/env_name python=3.8
$ source activate /your_path/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
安装项目相关的依赖
clone --recursive <https://github.com/chatchat-space/Langchain-Chatchat.git> 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:
- 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
模型下,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
clone <https://huggingface.co/THUDM/chatglm2-6b> git
clone <https://huggingface.co/moka-ai/m3e-base> git
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
一键启动,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,如下:
Web UI 知识库管理页面
另一种使用方式是API,以下是查看提供的API。
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 Ebeddings 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
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。
我也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
53AI,企业落地应用大模型首选服务商
产品:大模型应用平台+智能体定制开发+落地咨询服务
承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业
2024-12-21
用LangChain教AI模仿你的写作风格:详细教程
2024-12-18
一站式 LLM 工程观测平台:Langfuse,让所有操作可观测
2024-12-17
LLMs开发者必看!Pydantic AI代理框架震撼登场!
2024-12-16
用LangChain实现一个Agent
2024-12-16
通过阿里云 Milvus 和 LangChain 快速构建 LLM 问答系统
2024-12-16
大模型部署调用(vLLM+LangChain)
2024-12-14
利用 LangGraph 和代理优化工作流程效率:关键功能、用例和集成...
2024-12-09
深度丨LangChain团队基于Agents用户体验设计的研究
2024-04-08
2024-08-18
2024-06-03
2024-10-10
2024-04-08
2024-04-17
2024-06-24
2024-04-11
2024-07-13
2024-04-12
2024-12-02
2024-11-25
2024-10-30
2024-10-11
2024-08-18
2024-08-16
2024-08-04
2024-07-29