网站实际制作步骤培训管理平台

首先放上该方案项目的git地址：https://github.com/chatchat-space/Langchain-Chatchat
以下是我的搭建和踩坑经验记录

一、环境准备

1、python安装

在环境中安装python，我安装的是3.9版本的python，官方要求的是Python 3.8 - 3.10 版本。不知道如何查看版本的，请使用这个命令：python --version

2、项目依赖

挑选一个自己看着顺眼的目录，拉取项目依赖：

git clone https://github.com/chatchat-space/Langchain-Chatchat.git

拉取完毕后，进入该目录：

cd Langchain-Chatchat

可以看到目录里有三个文件： requirements.txt 、requirements_api.txt、requirements_webui.txt 。

requirements.txt ：
代表项目的python全部依赖，如果既需要自带的画面展示，又需要将api接口开放出来，就选择这个全部依赖安装。
requirements_api.txt：代表只启动本项目api服务所需的依赖。
requirements_webui.txt：代表只启动本项目web端服务所需要的依赖。

根据自己需求选择安装依赖，我是全部安装，也就是执行pip install -r requirements.txt命令。另外两个命令如下：

pip install -r requirements_api.txt
pip install -r requirements_webui.txt

如果出现了依赖冲突，就用pip uninstall 依赖名 去卸载原本依赖，然后看提示信息需要的版本，使用pip install 模板名==版本在这里插入代码片 来安装指定版本的依赖。然后重新执行pip install -r requirements.txt一定要确保依赖全部安装成功。

3、git大文件存储功能安装

在下载大模型之前确保git安装了大文件存储，也就是Git LFS，不确定是否安装的话用这个命令看一下：git lfs install，出现如下提示就是已经安装了git lfs:

如果没安装git lfs，根据你的依赖包管理工具的类型来安装一下git lfs:

• 包管理是apt/deb的，执行这个命令：curl -s https://packagecloud.io/install/repositories/github/git-lfs/script.deb.sh | sudo bash 然后执行 sudo apt-get install git-lfs 来安装。
• 包管理是yum/rpm的，执行这个命令：curl -s https://packagecloud.io/install/repositories/github/git-lfs/script.rpm.sh | sudo bash 然后执行sudo yum install git-lfs来安装。

记得安装完之后，git lfs install看一下是否安装成功。

4、大模型下载与配置

选择目录的另一个地方，执行git clone https://huggingface.co/THUDM/chatglm2-6b 拉取大模型，一定要完整拉取成功。

在次选择目录的另一个地方，执行git clone https://huggingface.co/moka-ai/m3e-base 拉取分词嵌入式模型，这个比上边那个大模型小。

我拉取完毕的整体结构如下：

确保没问题后，开始配置：

• 复制模型相关参数配置模板文件 configs/model_config.py.example 存储至项目路径下 ./configs
  路径下，并重命名为 model_config.py。
• 复制服务相关参数配置模板文件 configs/server_config.py.example 存储至项目路径下 ./configs
  路径下，并重命名为 server_config.py。

在model_config.py文件中，修改这两个，对应好你下载的两个大模型目录和名称，一定要是绝对路径。

当然，如果你想修改提示词模板的话，改这里就行：

server_config.py文件中没什么要修改的，除非你想改多卡配置或者是api端口等。想修改API端口看下方图片：

注意：model_config.llm_model_dict中模型配置的api_base_url需要与这里的修改的端口号一致。

5、向量数据库初始化

在LangChain目录下执行命令：python init_database.py --recreate-vs 等待向量数据库初始化完成即可。

接下来就可以启动项目了。

6、项目启动

一键启动脚本 startup.py,一键启动所有 Fastchat 服务、API 服务、WebUI 服务，用下方的命令：

python startup.py -a

并可使用 Ctrl + C 直接关闭所有运行服务。如果一次结束不了，可以多按几次。

可选参数包括 -a (或–all-webui), --all-api, --llm-api, -c (或–controller),
–openai-api, -m (或–model-worker), --api, --webui，其中：

–all-webui 为一键启动 WebUI 所有依赖服务；
–all-api 为一键启动 API 所有依赖服务；
–llm-api 为一键启动 Fastchat 所有依赖的 LLM 服务；
–openai-api 为仅启动 FastChat 的 controller 和 openai-api-server 服务； 其他为单独服务启动选项。

启动后可以查看swagger接口文档:

也可以直接使用自带的项目webui：