新手教程，使用Langchain-Chatchat构建自己的专属GPT

最新推荐文章于 2025-03-24 10:19:33 发布

AI_小站

最新推荐文章于 2025-03-24 10:19:33 发布

阅读量1.4k

点赞数 13

文章标签： langchain gpt transformer 人工智能 chatgpt 自然语言处理 AI大模型

本文链接：https://blog.csdn.net/python1234567_/article/details/145282448

版权

有人问我怎么构建自己的 gpt?

正好这里有个开源项目，可以自己部署，构建自己的专属 gpt。

自己部署的最大好处就是没有数据安全泄露问题，毕竟数据隐私这一块还是相当重要的。

这个项目是：Langchain-Chatchat

在这里插入图片描述

这个项目目前已经有 27k+ starts, 129 位贡献者，虽然比不上原生的 langchain 的框架，但已经想当不错了。

Langchain-Chatchat 是基于 Langchain 与大语言模型的本地知识库问答。

可以实现与LLM对话、知识库问答、文件对话、搜索引擎问答、自定义Agent问答等功能，可以满足大部分的需求。

在这里插入图片描述

这个项目好是好，但是初次部署存在一些坑，本文教你一步步配置，启动 Langchain-Chatchat，可以收藏，留作后用。

无论你是云端，还是本机，都可以，只不过有些环境不同。

这里以AutoDL云端服务器为例，镜像可采用 https://www.codewithgpu.com/i/chatchat-space/Langchain-Chatchat/Langchain-Chatchat

模型采用Qwen/Qwen-1_8B-Chat，向量检索模型采用bge-large-zh-v1.5。

本文的目的是先跑起来，至于里面向量检索模型是用什么？还能用什么大模型，还有什么更加好玩的地方？是否能自己修改开发，后面再继续讨论。

预备下载

1、下载项目

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

在这里插入图片描述

无论是什么环境，采用 git clone 也好，还是直接下载压缩包也好，把 Langchain-Chatchat 下载到服务器就行。

AutoDL 我采用下载 ZIP 压缩包到本地，然后在上传的方式。

2、下载 LLM 模型

在这里插入图片描述

之前写过怎么能够快速的下载模型，可以看之前的文章。

这里采用 python 脚本 snapshot 的下载方式。

(1) export HF_ENDPOINT=https://hf-mirror.com

(2)

from huggingface_hub import snapshot_download

snapshot_download(repo_id='Qwen/Qwen-1_8B-Chat',
                  repo_type='model',
                  local_dir='./Qwen/Qwen-1_8B-Chat',
                  resume_download=True)

3、下载向量模型

采用模型是 bge-large-zh-v1.5

在这里插入图片描述

(1) export HF_ENDPOINT=https://hf-mirror.com

(2)

from huggingface_hub import snapshot_download

snapshot_download(repo_id='BAAI/bge-large-zh-v1.5',
                  repo_type='model',
                  local_dir='./BAAI/bge-large-zh-v1.5',
                  resume_download=True)

下载上面的项目和模型之后，记住模型的 local_dir 位置，到时候要填写其绝对路径，切记，相对路径也可以，只要你能搞清楚路径的存储都没问题，绝对路径相对大多数人来说，简单一些。

项目配置

上面已经下载了项目，进到项目之后，开始配置。

1、先配置 model 所需要的

先执行 python copy_config_example.py

执行之后，进入到 cd configs/

这里要先修改 model_config.py

找到 EMBEDDING_MODEL 和 LLM_MODELS两个变量，修改为下面的值。

多说一嘴，LLM_MODELS可以是多个，默认是第一个，但是要写多个的话，记得模型路径都得配置好。

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

LLM_MODELS = ["Qwen-1_8B-Chat"]

在这里插入图片描述

第二步，修改下面的两处为模型的绝对路径，很重要。

在这里插入图片描述

上面的配置之后，模型这部分就告一段落。

2、配置启动服务

配置 server_config.py

这里是 autoDL 的一个坑，端口 👌 号要修改和 autodl 的一致。

在这里插入图片描述

autodl 的在这里看， 自定义服务

在这里插入图片描述

第二个要修改的地方。

“Qwen-1_8B-Chat” 的 device 改为 “cuda”

在这里插入图片描述

以上修改model_config.py 和 server_config.py 之后，配置就算 ok 了。

数据库初始化

回到项目目录，执行下面命令，正常的情况下，1-2 分钟就 ok 了。

python init_database.py --recreate-vs

扩展一下，这里加载的是 Langchain-Chatchat/knowledge_base/samples/content里面的文档，构建的向量索引存储在 Langchain-Chatchat/knowledge_base/samples/vector_store/bge-large-zh-v1.5下面。

在这里插入图片描述