Langchat平台知识库测试

平台介绍：

LangChat是Java生态下企业级AIGC项目解决方案，集成RBAC和AIGC大模型能力，帮助企业快速定制AI知识库、企业AI机器人。

支持的AI大模型：Gitee AI / 阿里通义 / 百度千帆 / DeepSeek / 抖音豆包 / 智谱清言 / 零一万物 / 讯飞星火 / OpenAI / Gemini / Ollama / Azure / Claude 等大模型。

开源版本是langchat，商业版本为langchat pro，pro版本支持流程引擎。

模型管理：

模型基于ollama配置的qwen、deepseek等模型。Embedding模型由于不支持Xinference直接采用阿里百炼配置的云端模型。

向量库管理：

向量库支持Redis、Pgvector、Milvus共3个数据库。这里基于pgvector作了测试。

知识库管理：

数据导入支持主流格式的文件导入。文档管理只能进行删除操作。切片管理只可以进行删除操作，不能进行编辑。向量搜索可以对知识库进行召回测试。

AI应用管理配置：

新建一个政务问答的智能体，并进行提示词、知识库、模型等的配置。

知识库问答测试：

回答的都是正确的。缺点是没有对应文件的引用。

总结：

1. 知识库问答召回来看还是可以的，和dify差不多。
2. 向量库管理+知识库管理，其实就是dify里面的知识库管理。这样分开设置也许也有优势吧，暂时还没体验到。知识库里面的分段设置、召回设置不像dify丰富。但是默认的chunk切分是优于dify的。
3. 知识库问答缺少文件出处引用。
4. 免费版没有流程引擎，pro版才会有。
5. 支持api方式发布，发布方式没有dify全面多样，但是最核心的api方式有，主打够用。
6. 模型部署接入不支持xinference，这点还是很不友好。
7. 知识库迁移问题，应该基于PGSQL、redis就可以做到。
8. 开源大平台 vs 收费小平台，商业化使用后续颠覆重来的问题。

参考链接：

https://github.com/TyCoding/langchat

LangChat如何接入DeepSeek-R1模型 | LangChat Docs