LangChain+glm3原理解析及本地知识库部署搭建

前期准备：在部署LangChain之前，需要先下载chatglm3模型，如何下载可以查看我的上一篇文章chatglm3本地部署

本地知识库和微调的区别：

• 知识库是使用向量数据库存储数据，可以外挂，作为LLM的行业信息提供方。
• 简单理解,微调相当于让大模型去学习了新的一门学科，在回答的时候完成闭卷考试。知识库相当于为大模型提供了新学科的课本，回答的时候为开卷考试。

LangChain+glm3实现本地知识库原理：

首先给出git地址，git上其实也有他是原理也可以去git上看langchain-chatchat

原理如下图：

红框： 红框内是经历了这样一个过程，首先上传本地文档，然后把文档的内容进行分割，其中文档的分割方法有很多，比如可以按照符号分割，按照段落分割，或者按照语气词分割，接下来把分割后的内容，进行Embedding操作生成词向量，如果不清楚Embedding是什么的，可以参考我的这篇文章Embedding And Word2vec，最后把生成的词向量存入VectorStore，也就是词向量数据库。
蓝框： query是用户输入的信息，然后把用户输入的信息也做Embedding操作，然后得到词向量。
绿框： 利用向量相关性算法（例如余弦算法），计算用户输入后的词向量和向量数据库中最匹配的几个知识库片段，将这些知识库片段作为上下文，与用户问题一起作为 promt 提交给 LLM 回答。

本地部署：

1.拉取代码

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

2.创建一个conda环境，python环境我这里使用的是3.10.13，官方推荐的是 3.8 - 3.11，如果不知道如何创建的，在文章开头中的那篇文章里有。

3.激活刚刚创建的环境，然后下载torch，下载方法在文章开头中的那篇文章里有。

4.安装依赖，在安装依赖之前，需要把下面requirements.txt和requirements_api.txt文件中，有关torch的所有安装内容都删掉。因为如果直接执行下面的命令，下载的torch是cpu版本，从而导致后面无法启动langchain，这就是为什么我们要先装torch。

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

5.把下载好的模型复制到langchain下

6.初始化知识库和配置文件

$ python copy_config_example.py
$ python init_database.py --recreate-vs

7.启动

$ python startup.py -a

8.创建知识库

9.使用