标签：服务 Windows 模型 py LangChain Chatchat API LLM model

在windows10下的安装部署

参考资料

基础环境准备

本人使用的是Windows10专业版22H2版本，已经安装了Python3.10，CUDA11.8版本，miniconda3。
硬件采用联想R9000P，AMD R7 5800H，16G内存，RTX3060 6G。

安装依赖

# 使用conda安装激活环境
conda create -n Langchain-Chatchat python=3.10
conda activate Langchain-Chatchat
# 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

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。

此项目分为LLM服务，API服务和WebUI服务，可单独根据运行需求安装依赖包。

如果只需运行 LLM服务和API服务，可执行：

pip install -r requirements_api.txt

如果只需运行 WebUI服务，可执行：

pip install -r requirements_webui.txt

注：使用 langchain.document_loaders.UnstructuredFileLoader 进行 .docx 等格式非结构化文件接入时，可能需要依据文档进行其他依赖包的安装，请参考 langchain 文档。

下载模型

Langchain-Chatchat支持的开源 LLM 与 Embedding 模型，如果使用在线LLM服务，如OpenAI的API，则请直接查看下一节。

如果需要本地或离线LLM服务，则需要下载模型，通常开源 LLM 与 Embedding 模型可以从 HuggingFace 下载。

因为我的显卡为RTX3060，只有6G的显存，所以我使用的 LLM 模型 THUDM/chatglm2-6b-int4 与 Embedding 模型 moka-ai/m3e-base。
下载模型需要先安装Git LFS，然后运行

git clone https://huggingface.co/THUDM/chatglm2-6b-int4
git clone https://huggingface.co/moka-ai/m3e-base

如果你的网络不好，下载很慢，chatglm2-6b相关模型，推荐以下的方式
1.仅从Huggingface上下载模型实现，不下载LFS模型文件

# 只获取仓库本身，而不获取任何 LFS 对象
GIT_LFS_SKIP_SMUDGE=1 git clone https://huggingface.co/THUDM/chatglm2-6b-int4

2.从清华云盘下载模型参数文件，放到本地chatglm2-6b仓库下

修改配置项

修改模型相关参数配置文件

复制一份模型相关参数配置模板文件 configs/model_config.py.example，并重命名为 model_config.py

修改本地LLM模型存储路径。
如果使用本地LLM模型，请确认已下载至本地的 LLM 模型本地存储路径写在 llm_model_dict 对应模型的 local_model_path 属性中，如:

llm_model_dict={
    "chatglm2-6b-int4": {
        "local_model_path": "D:\\Langchain-Chatchat\\chatglm2-6b-int4",  # "THUDM/chatglm2-6b-int4",
        "api_base_url": "http://localhost:8888/v1",  # "URL需要与运行fastchat服务端的server_config.FSCHAT_OPENAI_API一致
        "api_key": "EMPTY"
    },
}

默认模板中没有提供llm_model_dict中，没有chatglm2-6b-int4模型，需要自己添加。

修改在线LLM服务接口相关参数
如果使用在线LLM服务，类OpenAi的API，需在llm_model_dict的gpt-3.5-turbo模型，修改对应的API地址和环境变量中的KEY，或新增对应的模型对象。

llm_model_dict={
    "gpt-3.5-turbo": {
        "local_model_path": "gpt-3.5-turbo",
        "api_base_url": "https://api.openai.com/v1",
        "api_key": os.environ.get("OPENAI_API_KEY")
    },
}

修改使用的LLM模型名称
根据上述新增或修改的模型名称，修改LLM_MODEL为使用的模型名称

# LLM 名称
LLM_MODEL = "chatglm2-6b-int4"

修改embedding模型存储路径
请确认已下载至本地的 Embedding 模型本地存储路径写在 embedding_model_dict 对应模型属性中，如:

embedding_model_dict = {
    "m3e-base": "D:\\Langchain-Chatchat\\m3e-base",
}

其他修改项，可根据配置文件中的注释，自行进行修改。

修改服务相关参数配置文件

复制服务相关参数配置模板文件 configs/server_config.py.example，并重命名为 server_config.py。

修改服务绑定的IP和端口
根据实际情况，修改DEFAULT_BIND_HOST属性，改为需要绑定的服务IP

# 各服务器默认绑定host
DEFAULT_BIND_HOST = "10.0.21.161"

知识库初始化

如果您是第一次运行本项目，知识库尚未建立，或者配置文件中的知识库类型、Embedding模型发生变化，需要以下命令初始化或重建知识库：

python init_database.py --recreate-vs

启动服务

启用LLM服务

如果启动在线的API服务（如 OPENAI 的 API 接口），则无需启动 LLM 服务，如需使用开源模型进行本地部署，需首先启动 LLM 服务，参照项目部署手册，LLM服务启动方式有三种，我们只选择其中之一即可，这里采用的是基于多进程脚本 llm_api.py 启动 LLM 服务
在项目根目录下，执行 server/llm_api.py 脚本启动 LLM 模型服务：

python server/llm_api.py

启用API服务

执行server/api.py 脚本启动 API 服务

python server/api.py

启动 API 服务后，可访问 localhost:7861 或 {API 所在服务器 IP}:7861 FastAPI 自动生成的 docs 进行接口查看与测试。

启用webui服务

启动 API 服务后，执行 webui.py 启动 Web UI 服务（默认使用端口 8501）

streamlit run webui.py

使用 Langchain-Chatchat 主题色启动 Web UI 服务（默认使用端口 8501）

streamlit run webui.py --theme.base "light" --theme.primaryColor "#165dff" --theme.secondaryBackgroundColor "#f5f5f5" --theme.textColor "#000000"

或使用以下命令指定启动 Web UI 服务并指定端口号

streamlit run webui.py --server.port 666

启动成功进行访问

标签：服务,Windows,模型,py,LangChain,Chatchat,API,LLM,model
From： https://www.cnblogs.com/vriverh/p/17653686.html

LangChain-Chatchat学习资料-Windows开发部署