浅聊langchain-chatchat_langchain glm

个人的一点经验和总结，希望能帮助到大家。有不对的地方请留言和指正！

langchain-GLM是什么

        langchain-GLM是一个本地知识库应用解决方案，支持以cli、web、api方式提供以本地知识库或在线资源为知识素材的对话服务，对中英文场景对话支持友好。它由LLM(大语言模型，例如：ChatGLM-6B、星火、文心一言)和Embedding 模型组成，支持私有化部署。

原理

1. 加载文件
2. 读取文本
3. 文本分割
4. 文本向量化(将文本表示成计算机可以识别的实数向量的过程)
5. 问句向量化(问句向量化是自然语言处理中的一种技术，其目标是将问句转化为计算机可以解析的向量形式。这一过程通常发生在文本向量化之后，作为更复杂任务如问题回答、对话系统等的一部分。)
6. 在文本向量中匹配出与问句向量最相似的top k个
7. 匹配出的文本作为上下文和问题一起添加到prompt中 
8. 提交给LLM生成回答。

为什么要选择langchain

优点

1. 支持私有化部署
2. 几乎支持国内市面上开源的在线或本地模型
3. 消费级GPU或者CPU上即可安装并运行
4. 支持api方式提供服务，解决了大模型对话嵌入自有应用难的问题

缺点

1. 大多数家用电脑配置不够运行大模型。需要 money 购买GPU
2. 国内下载镜像难。模型镜像大，好几十G

解决了什么问题

稍微对大模型运行原理了解的童靴们可能都了解，大模型也不是生来什么领域的知识都懂的。需要给它喂数据，不断训练。

企业要想用大模型高效利用数据，把企业数据给大模型，那肯定是不可能的。

这个时候大模型本地部署，私有数据自己管控就是必要条件了。恰恰langchain就解决了这个问题。

langchain-GLM版本0.1.* 和0.2.*区别

1. 安装方式：0.1.* 既支持docker方式部署，也支持本地加载模型,0.2.*版本目前仅支持从本地加载模型方式部署；
2. 功能上：0.2.*版本支持LLM 更加全面。既包含在线开源大模型，也支持本地模型。

硬件、软件配置以及私有化部署方式

硬件配置要求：

• python >=3.10 

第一种：安装0,1.*版本【建议使用docker方式部署】:

1.运行环境安装

sudo apt-get update
sudo apt-get install -y nvidia-container-toolkit-base
sudo systemctl daemon-reload 
sudo systemctl restart docker

2.查看GPU编号，命令：nvidia-smi

 

3.安装langchain-chatchat镜像

#方式1
docker run -d -p 80:7860 --gpus all registry.cn-beijing.aliyuncs.com/isafetech/chatmydata:1.0
 
#参数解释：
--gpus all  指定给该设备所有可用的GPU
--gpus '"device=1"'  指定设备编号为1的GPU
 
#方式2
git clone -b 0.1.17 --single-branch https://github.com/chatchat-space/Langchain-Chatchat.git
 
docker build -f Dockerfile-cuda -t chatglm-cuda:latest .
docker run --gpus all -d --name chatglm -p 7860:7860  chatglm-cuda:latest
 
#若要使用离线模型，请配置好模型路径，然后此repo挂载到Container
docker run --gpus all -d --name chatglm -p 7860:7860 -v ~/github/langchain-ChatGLM:/chatGLM  chatglm-cuda:latest

3.查看启动日志

docker logs 容器ID

 4.启用后台服务

docker exec -it 容器ID /bin/bash
 
#命令行服务
python cli_demo.py
 
#接口服务
python api.py
 
#web服务
python webui.py

第二种部署方式：

1. 下载并安装anaconda。为什么要安装anaconda？【见本文-常见问题2】

   wget https://repo.anaconda.com/archive/Anaconda3-2023.03-1-Linux-x86_64.sh
   bash Anaconda3-2023.03-1-Linux-x86_64.sh
    
   conda create -n ai python=3.11  #创建虚拟环境
   conda activate ai  #激活虚拟环境
   conda list  #查看已安装的包
   conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia #安装依赖包
   

2. 下载源码，安装依赖

    
   # 拉取仓库
   $ git clone https://github.com/chatchat-space/Langchain-Chatchat.git
    
   # 进入目录
   $ cd Langchain-Chatchat
    
   # 安装全部依赖
   $ pip install -r requirements.txt 
   $ pip install -r requirements_api.txt
   $ pip install -r requirements_webui.txt  
    
   # 默认依赖包括基本运行环境（FAISS向量库）。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。
   

3. 下载模型

   $ git lfs install
    
   $ git clone https://huggingface.co/THUDM/chatglm2-6b
   $ git clone https://huggingface.co/moka-ai/m3e-base
    
   ###建议：上面地址下载慢的话，访问https://e.aliendao.cn/,搜索 chatglm2-6b和m3e-base，然后按照下面方式下载
    
   git clone https://github.com/git-cloner/aliendao
   cd aliendao
   pip install -r requirements.txt -i https://pypi.mirrors.ustc.edu.cn/simple --trusted-host=pypi.mirrors.ustc.edu.cn
    
   python model_download.py --e --repo_id  模型ID
    
   

4. 初始化配置模型

   $ python copy_config_example.py
   

5. 修改配置文件，找到配置文件（路径：/configs/model_config.py），修改模型加载路径。

   # 如果模型目录名称和 MODEL_PATH 中的 key 或 value 相同，程序会自动检测加载，无需修改 MODEL_PATH 中的路径。
   MODEL_ROOT_PATH = "/usr/local/"
    
    
   #配置LLM线上模型参数
   ONLINE_LLM_MODEL = {
   }
    
   #配置本地模型参数,模型的相对路径，相对 MODEL_ROOT_PATH 所配置的路径
   MODEL_PATH = {
   "embed_model"：{
   "m3e-base": "moka-ai/m3e-base"
   }, 
   "llm_model":{
   "chatglm2-6b": "THUDM/chatglm2-6b",
   }
    
    
   #### 
   #注意：线上模型和本地模型只需要配置一个即可。
   

6. 初始化数据库

   python init_database.py --recreate-vs
   

7. 一键启动

   python startup.py -a
   

选择适合你的方式安装即可。 

常见问题

部署方式一常见问题：

1、docker: Error response from daemon: could not select device driver “” with capabilities: [[gpu]].或者 apt-get install -y nvidia-container-toolkit找不到或者下载失败

解决方案：

curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey
 
apt-key add gpgkey
 
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
 
apt-get update && apt-get install -y nvidia-container-toolkit
systemctl restart docker
 

2、为什么要使用anaconda?

       anaconda是什么？

        Anaconda是Python的一个发行版本，专注于数据分析，能够对包和环境进行管理。它内置了conda、pip等管理工具，以及Jupyter Notebook、Spyder等开发工具

• 避免已安装但是不满足运行大模型的python版本受影响；
• 隔离python运行环境和依赖；
• anaconda的基本操作

  conda env list  #查看已有的环境
  conda create -n ai python=3.11  #创建虚拟环境
  conda activate ai  #激活虚拟环境
  conda list  #查看已安装的包
  conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia #安装依赖包
   
  conda deactivate #退出虚拟环境