【LLM大模型】Langchain-Chatchat 源码部署测试

最新推荐文章于 2024-09-20 17:54:48 发布
最新推荐文章于 2024-09-20 17:54:48 发布
阅读量2.1k 收藏 35
点赞数 12
文章标签： langchain 人工智能 大数据 产品经理 prompt 大模型 LLM
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Y525698136/article/details/140825498
版权

在这里插入图片描述

本文目标：部署LangChain-Chatchat，并利用部署框架Xinference，实现模型推理页面服务、实现rag。

前言

LangChain-Chatchat是“利用 langchain 思想实现的基于本地知识库的问答应用”。
LangChain-Chatchat(后文简写为chatchat)源码：github.com/chatchat-sp…
Xinference源码：github.com/xorbitsai/i…
服务器系统版本：Ubuntu 20.04.6 LTS
服务器架构：x86-64

LangChain-Chatchat实现原理如下图所示，过程包括：

  • 加载文件 -> 读取文本 -> 文本分割 -> 文本向量化 -> 向量存储
  • 问句向量化 -> 在文本向量中匹配出与问句向量最相似的 top k个 -> 匹配出的文本作为上下文和问题一起添加到 prompt中 -> 提交给 LLM生成回答。 在这里插入图片描述
    从文档处理角度来看，实现流程如下： 在这里插入图片描述

一、部署Xinference

chatchat从0.3.0版本开始，需要通过常见的大模型推理框架进行模型加载，如Xinference、Ollama、LocalAI、FastChat、One API等。
本文使用Xinference进行框架部署与模型加载。
为避免依赖冲突，chatcaht和Xinference需要放在不同的python虚拟环境中，本文使用conda环境，即将chatchat和Xinference放在不同的conda环境中运行。

部署Xinference并启动llm模型和embedding模型见文章：juejin.cn/post/739728…

二、创建环境

下载源码

可以去前面提到的源码链接所在网址下载源码，也可以直接使用下面命令下载源码：
git clone https://github.com/chatchat-space/Langchain-Chatchat.git

conda环境

如果conda未设置国内的下载源，可以先设置为清华源。
查看conda已配置的下载源：
conda config --show-source 设置为清华源（也可以设置为阿里等其他源，方便下载）： conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

创建conda环境：
conda create -n chatchat python=3.11
激活环境：
conda activate chatchat

poetry

chatchat自0.3.0版本开始，使用poetry进行环境管理。我们也按照推荐的来部署。
前面已经激活了“chatchat”环境，可以通过命令行前面是否有“(chatchat)”标识，来判断当前conda环境。
pip下载前，也可以配置pip国内下载源，如果已经配置过可以忽略下面命令pip配置命令。
pip查看下载源：
pip config get global.index-url
pip配置清华源：
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

安装poetry：
pip install poetry
安装后，可以查看安装的poetry版本信息：

arduino
 代码解读

pip list  # 列出pip安装库版本信息，可以看到下面三个库即版本号

poetry               1.8.3
poetry-core          1.9.0
poetry-plugin-export 1.8.0

使poetry使用virtualenv python environment：
poetry config virtualenvs.prefer-active-python true
查看刚刚poetry设置的信息，输入下面命令打印“true”就说明设置成功：
poetry config virtualenvs.prefer-active-python

使用poetry安装与源码和依赖
进入之前下载源码目录。

bash
 代码解读

cd Langchain-Chatchat/libs/chatchat-server/
poetry install --with lint,test -E xinference

# 安装完成后，可以查看下安装版本信息
pip list  # 下面列出几个包信息以作参考

langchain                   0.1.17
langchain-chatchat          0.3.1.3         /data/xxx/Langchain-Chatchat/libs/chatchat-server
poetry                      1.8.3
xinference-client           0.13.3

设置chatchat环境变量

设置数据目录，实时生效：
export CHATCHAT_ROOT=/data/xxx/chatchat
永久生效，修改~/.bash_profile文件：

bash
 代码解读

vi ~/.bash_profile
# 在文件最后，添加下面语句
export CHATCHAT_ROOT=/data/xxx/chatchat

如果开发所用的IDE需要指定项目源代码根目录，可将该目录设为源代码根目录（Langchain-Chatchat/libs/chatchat-server/）

三、初始化并启动

初始化

初始化项目配置文件和数据目录：
cd libs/chatchat-server
python chatchat/cli.py init
或使用chatchat初始化也可：
chatchat init
初始化成功，有以下日志打印：

kotlin
 代码解读

2024-07-31 11:44:54.195 | SUCCESS  | __main__:init:47 - 开始初始化项目数据目录：/data/xxx/chatchat
2024-07-31 11:44:54.195 | SUCCESS  | __main__:init:49 - 创建所有数据目录：成功。
2024-07-31 11:44:54.197 | SUCCESS  | __main__:init:52 - 复制 samples 知识库文件：成功。
2024-07-31 11:44:54.217 | SUCCESS  | __main__:init:54 - 初始化知识库数据库：成功。
2024-07-31 11:44:54.472 | SUCCESS  | __main__:init:66 - 生成默认配置文件：成功。
2024-07-31 11:44:54.472 | SUCCESS  | __main__:init:67 - 请先检查确认 model_settings.yaml 里模型平台、LLM模型和Embed模型信息已经正确
2024-07-31 11:44:54.472 | SUCCESS  | __main__:init:76 - 执行 chatchat kb -r 初始化知识库，然后 chatchat start -a 启动服务。

初始化后，在chatchat数据目录，会有以下文件(夹)生成：

bash
 代码解读

ls /data/xxx/chatchat;
basic_settings.yaml  data  kb_settings.yaml  model_settings.yaml  prompt_settings.yaml  tool_settings.yaml

ls /data/xxx/chatchat/data;
knowledge_base  logs  media  nltk_data  temp

/data/xxx/chatchat内的几个yaml文件，就是项目的配置文件，之后需要根据实际使用修改配置信息。

修改配置信息

咱们前面用xinference加载了“qwen2-instruct-7b”、“bge-large-zh-v1.5”，下面修改配置时，也按照这些信息填。
修改model_settings.yaml文件：

yaml
 代码解读

vi model_settings.yaml  # 修改下面参数

# 默认选用的 LLM 名称
DEFAULT_LLM_MODEL: qwen2-instruct-7b

# 默认选用的 Embedding 名称
DEFAULT_EMBEDDING_MODEL: bge-large-zh-v1.5

# 在`MODEL_PLATFORMS`中修改模型平台信息
    platform_name: xinference
    platform_type: xinference
    api_base_url: http://127.0.0.1:9997/v1

初始化知识库

初始化知识库，会把"/data/xxx/chatchat/knowledge_base/samples/content/"目录下的文件加载，如果不需要这些数据，可以适当删除里面的文件。
chatchat kb -r
初始化时，可以看到日志”正在将 samples/xxx 添加到向量库“，所有文件添加完后，会有下面日志打印，表明知识库初始化完成：

sql
 代码解读

2024-07-31 13:52:11.640 | INFO     | chatchat.server.knowledge_base.kb_cache.faiss_cache:save:40 - 已将向量库 ('samples', 'bge-large-zh-v1.5') 保存到磁盘

----------------------------------------------------------------------------------------------------
知识库名称	：samples
知识库类型	：faiss
向量模型：	：bge-large-zh-v1.5
知识库路径	：/data/xxx/chatchat/data/knowledge_base/samples
文件总数量	：12
入库文件数	：12
知识条目数	：755
用时		：0:00:50.146988
----------------------------------------------------------------------------------------------------

总计用时	：0:00:50.161681

启动项目

启动项目可以使用下面命令：
chatchat start -a
也可以后台启动，这样窗口断开不影响项目运行，推荐后台启动：
nohup chatchat start -a > chatchat_cli.log 2>&1 &
观察启动日志：

bash
 代码解读

tail -n 100 -f chatchat_cli.log

# 可以看到下面url信息，说明启动成功
  You can now view your Streamlit app in your browser.

  URL: http://0.0.0.0:8501

启动成功后，在浏览器上打开日志最后的url，注意将0.0.0.0替换为服务器ip。
推理服务使用如下： 在这里插入图片描述
rag使用如下： 在这里插入图片描述
知识库管理中，可以看到我们刚刚初始化知识库时加载的数据： 在这里插入图片描述

如何系统的去学习AI大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

所有资料 ⚡️ ，朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》，扫码获取~

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

img

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

img

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

img

在这里插入图片描述

四、AI大模型商业化落地方案

img

阶段1：AI大模型时代的基础理解

  • 目标：了解AI大模型的基本概念、发展历程和核心原理。
  • 内容：
    • L1.1 人工智能简述与大模型起源
    • L1.2 大模型与通用人工智能
    • L1.3 GPT模型的发展历程
    • L1.4 模型工程
      - L1.4.1 知识大模型
      - L1.4.2 生产大模型
      - L1.4.3 模型工程方法论
      - L1.4.4 模型工程实践
    • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

  • 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
  • 内容：
    • L2.1 API接口
      - L2.1.1 OpenAI API接口
      - L2.1.2 Python接口接入
      - L2.1.3 BOT工具类框架
      - L2.1.4 代码示例
    • L2.2 Prompt框架
      - L2.2.1 什么是Prompt
      - L2.2.2 Prompt框架应用现状
      - L2.2.3 基于GPTAS的Prompt框架
      - L2.2.4 Prompt框架与Thought
      - L2.2.5 Prompt框架与提示词
    • L2.3 流水线工程
      - L2.3.1 流水线工程的概念
      - L2.3.2 流水线工程的优点
      - L2.3.3 流水线工程的应用
    • L2.4 总结与展望

阶段3：AI大模型应用架构实践

  • 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
  • 内容：
    • L3.1 Agent模型框架
      - L3.1.1 Agent模型框架的设计理念
      - L3.1.2 Agent模型框架的核心组件
      - L3.1.3 Agent模型框架的实现细节
    • L3.2 MetaGPT
      - L3.2.1 MetaGPT的基本概念
      - L3.2.2 MetaGPT的工作原理
      - L3.2.3 MetaGPT的应用场景
    • L3.3 ChatGLM
      - L3.3.1 ChatGLM的特点
      - L3.3.2 ChatGLM的开发环境
      - L3.3.3 ChatGLM的使用示例
    • L3.4 LLAMA
      - L3.4.1 LLAMA的特点
      - L3.4.2 LLAMA的开发环境
      - L3.4.3 LLAMA的使用示例
    • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

  • 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
  • 内容：
    • L4.1 模型私有化部署概述
    • L4.2 模型私有化部署的关键技术
    • L4.3 模型私有化部署的实施步骤
    • L4.4 模型私有化部署的应用场景

学习计划：

  • 阶段1：1-2个月，建立AI大模型的基础知识体系。
  • 阶段2：2-3个月，专注于API应用开发能力的提升。
  • 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
  • 阶段4：4-5个月，专注于高级模型的应用和部署。
这份完整版的所有 ⚡️ 大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

全套 《LLM大模型入门+进阶学习资源包》↓↓↓ 获取~

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

程序学到昏
关注
Langchain-Chatchat大语言模型本地知识库的踩坑、部署、使用
积跬步，至千里。
12-08 7212
Langchain-Chatchat是一个基于ChatGLM大语言模型与Langchain应用框架实现的大语言模型本地知识库应用项目。
Langchain-Chatchat本地部署
我想问问天的专栏
03-10 3265
虽然使用Chatchat整个过程中的坑还是挺多的，但是至少跑起来了，而且在跑这个项目中遇到了很多自己没有接触过的知识。比如量化模型这个概念，是在优化返回速度的时候才知道可以把模型的精度改小，提高计算速度。现在本地还只运行成功了项目本身支持的几个模型，像界面中的知识库问答，文件对话，搜索引擎问答，自定义agent都还没跑成功，还有挺多东西要去研究和尝试的，还是挺有意思的。我想了想后面可能会针对其他的几个模式也写一些记录。
无敌！27K star项目--Langchain-Chatchat！基于LLM构建本地智能知识库
2401_84205765的博客
08-22 639
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。
Langchain Chatchat：开源代码与离线部署的完美融合
热门推荐
檀越的博客
07-09 3万+
好易智算官网好易智算共有算力市场、应用市场、交流社区三大功能模式。是一个基于 ChatGLM 等大语言模型与 Langchain 等应用框架实现的，开源、可离线部署的检索增强生成（RAG）大模型知识库项目，是一个集成多模型的对话平台，实现自然语言交互。是在 Langchain 基础上封装了一层聊天服务，可以对接底层多种离线 LLM（大语言模型）和在线的 LLM（也可以对接自定义的在线 LLM），提供基于知识库聊天功能相关的一系列 API。
高达27K star！基于LLM构建本地智能知识库 太猛了
2301_81888214的博客
04-22 1267
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
LLMs之RAG：LangChain-Chatchat(一款中文友好的全流程本地知识库问答应用)的简介(支持 FastChat 接入的ChatGLM-2/LLaMA-2等多款主流LLMs+多款embe
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
08-27 1万+
​ LLMs之RAG：LangChain-Chatchat(一款中文友好的全流程本地知识库问答应用)的简介(支持FastChat 接入的ChatGLM-2/LLaMA-2等多款主流LLMs+多款embedding模型m3e等+多种TextSplitter分词器)、安装(镜像部署【AutoDL云平台/Docker镜像】，离线私有部署+支持RTX3090 ，支持FAISS/Milvus/PGVector向量库， 基于LangChain 框架+FastAPI的API调用服务+Streamlit 的WebUI操作
LLM-4-Langchain-Chatchat
qq_15821487的博客
08-23 457
模型openai api接口服务：两种模型一致是纯open ai的接口方式，一种是open ai的接口和langchain融合的方式，对外都是以openai的接口规范。服务依赖一次是：webui接口服务》api接口服务》模型openai api接口服务》模型控制器接口服务》模型接口服务。api接口服务：本项目的api，融合向量模型，向量库，数据处理和langchain的接口。模型控制器接口服务：控制模型接口的分发。模型接口服务：语言模型的直接输入和输出。webui接口服务：和用户交互。
AI菜鸟向前飞 — LLM简介
2401_82469710的博客
05-11 821
AI菜鸟向前飞 — LLM简介
【项目实训】阿里云部署Langchain-Chatchat
Cecilia_9728的博客
04-28 1446
在阿里云平台上部署langchain-chatchat项目——一个成熟的RAG实现框架，并调用本地部署的大模型chatglm
Langchain-Chatchat 从入门到精通（基于本地知识库的问答系统）（更新中）
艰难困苦，玉汝于成。
04-10 1万+
一种利用 langchain 思想实现的基于本地知识库的问答应用，目标期望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。
langchain-chatchat-0.3.0小白保姆部署指南
Panda_Panda博客
06-25 1万+
1.从 0.3.0 版本起，Langchain-Chatchat 不再根据用户输入的本地模型路径直接进行模型加载，涉及到的模型种类包括 LLM、Embedding、Reranker 及后续会提供支持的多模态模型等，均改为支持市面常见的各大模型推理框架接入，如。来展示如何在本地用 Xinference 运行大模型,我这里自定义了一个存储日志文件和大模型，embidding模型的路径，如果不自定义一个路径将会下载到默认的一个路径下，这样很容易将我们的系统盘给撑爆，以魔塔社区下载模型为例。
Langchain-chatchat源码部署及测试实验
最新发布
hhue2007的专栏
09-20 142
Langchain-chatchat从0.3版本开始，支持更多的部署框架，如xinference、Ollama和FastChat，较多的是xinference框架，因此本文也是基于该框架进行模型部署。开始时参考了作者提供的开发指南进行部署，感觉步骤较多且麻烦，因此我就采用直接修改源码方式进行部署，作者提供的前端没有用，主要使用的是libs下面的后端接口和默认基于Streamlit提供的前端测试功能。另外，我更新完善了本地知识库加载的多种文件格式解析模块，增加了验证和路由过滤模块、返回数据格式等。
基于LangChain-Chatchat实现的RAG-本地知识库的问答应用[1]-最新版快速实践并部署（检索增强生成RAG大模型）
丨汀、的博客
05-06 1140
基于LangChain-Chatchat实现的RAG-本地知识库的问答应用[1]-最新版快速实践并部署（检索增强生成RAG大模型）
基于LangChain-Chatchat实现的RAG-本地知识库的问答应用[2]-简洁部署版
丨汀、的博客
06-15 370
基于LangChain-Chatchat实现的RAG-本地知识库的问答应用[2]-简洁部署版
langchain-chacthatV0.3版本源码部署
2301_76361504的博客
07-05 1555
本地运行Xinference， Xinference 运行大模型,我这里自定义了一个存储日志文件和大模型，embidding模型的路径，如果不自定义一个路径将会下载到默认的一个路径下，这样很容易将我们的系统盘给撑爆，以魔塔社区下载模型为例。：由于模型的默认模型就是bge-large-zh-v1.5,所以我们只需要运行默认embedding模型的命令就可以了，由于我们用的是CPU加载的embedding模型，所以初始化仓库的时候会比较慢，请耐心等待。初始化仓库(使用默认 embedding 模型)
Langchain-Chatchat部署总结
v_wus的博客
01-23 3454
注1：server_config.py的FSCHAT_MODEL_WORKERS字典中也增加了相关配置，如有需要也可通过修改FSCHAT_MODEL_WORKERS字典中对应参数实现多卡加载，且需注意server_config.py的配置会覆盖create_model_worker_app 函数的配置。.py的配置会覆盖create_model_worker_app 函数的配置。，但是实际使用时可根据自己的需求进行模型下载。控制使用的显卡的ID，例如 “0,1”;这里是参考官方文档下载的LLM 模型。
Langchain-chatchat： Langchain基本概念
2401_84495872的博客
06-17 1327
理解了chains的作用和意义，才能真正理解Langchain的作用和意义，个人理解，Langchain就像高达玩具一样，可以融合市场上主流的大模型，并且提供了组合调用链路以供使用者快速上手使用，也支持使用者自己定义组装自己的调用链路，以此来满足各种各种的场景需求，因此与其说Langchain是个框架和工具，倒不如说Langchain是一个设计模式或者理念，使用者不应该拘泥于某一种的使用方式，而是探索在不同的场景中如何让chains更加高效的工作，甚至是自定义自己的chains。
Langchain-Chatchat 教程
gitblog_00496的博客
08-08 775
Langchain-Chatchat 教程 Langchain-ChatchatLangchain-Chatchat（原Langchain-ChatGLM）基于 Langchain 与 ChatGLM 等语言模型的本地知识库问答 | Langchain-Chatchat (formerly langchain-ChatGLM), local knowledge based LLM (like C...
小白的本地Langchain-Chatchat部署笔记
aqdfxx的博客
06-08 2342
这里的Ubuntu只是微软合作研究的Ubuntu-LTS 版，不是真正的Ubuntu,不过已经模拟的很成功了，绝大部分Ubuntu的功能和命令，在这个版本里都很好的运行，大大方便了我们在windows和 Linux两种环境里来回切换。学习完了，重新部署，上文的准备工作完成后，第一步就建立专用的虚拟环境，以后始终在这个虚拟环境里操作，包括安装项目的依赖，拉取模型，修改配置，初始化知识库，启动项目，直至部署成功。初始化过程，电脑风扇狂飙，CPU飙到100%，GPU飙到46%，内存飙到95%。
langchain-chatglm知识库
09-14
langchain-ChatGLM是一个基于本地知识的问答机器人，它允许使用者自由配置本地知识。用户的问题答案也是基于本地知识生成的。你可以在GitHub上找到langchain-ChatGLM的代码和相关信息，链接为：GitHub - imClumsyPanda/langchain-ChatGLM。 langchain-ChatGLM是在ChatGPT火热之后发布的一款大型语言模型（LLM）模型之一。与其他开源的LLM模型（如BLOOM和LLaMA）相比，langchain-ChatGLM是完全开源的。然而，需要注意的是，这些模型的知识是滞后的，比如ChatGPT的知识截止到2021年，并且这些知识是通用领域的，不包含特定领域的知识。 langchain-ChatGLM的架构如图1所示。它通过从本地知识库中获取与用户查询相关的上下文来生成答案。至于具体的langchain-chatglm知识库的内容，我无法给出具体细节，因为它是用户自由配置的，可以根据用户的需求和设置而不同。 总之，langchain-ChatGLM是一个基于本地知识的问答机器人，用户可以自由配置本地知识，并根据本地知识生成用户问题的答案。你可以在GitHub上找到langchain-ChatGLM的代码和更多信息。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值