Langchain-Chatchat实践详解

简介

本质上是在Langchain基础上封装的一层聊天服务，可以对接底层多种离线LLM和在线的LLM（也可以对接自定义的在线LLM）。提供基于知识库聊天功能相关的一系列API。

下载源码

源码地址：

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

实践版本：

注：

1. 因为requirements.txt里一些依赖没有标注版本号，所以，在安装使用中可能存在版本号不匹配问题，本文可用版本号参考

openai 0.28.1 langchain 0.0.330

2. 显卡卡住问题https://leiblog.wang/%E8%B8%A9%E5%9D%91nvidia-driver/

执行：nvidia-smi -pm 1

下载模型

修改配置

修改configs/model_config.py中MODEL_PATH，你要使用的模型为本地模型路径

启动服务

python startup.py --all-webui

webui界面：

API 体验界面

Docker运行服务

安装docker：

apt update apt install apt-transport-https ca-certificates curl gnupg-agent software-properties-common curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add - add-apt-repository "deb [arch=amd64] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable" apt update apt install docker-ce docker-ce-cli containerd.io systemctl status docker

Ubuntu 23.04 Support · Issue #72 · NVIDIA/nvidia-container-toolkit · GitHub

安装nvidia-container-toolkit

distribution=ubuntu18.04 \       && curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \       && curl -s -L https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list | \             sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \             sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list apt-get update && apt-get install -y nvidia-container-toolkit service docker restart

设置docker镜像源：

sudo mkdir -p /etc/docker

sudo tee /etc/docker/daemon.json <<-'EOF'

{

    "registry-mirrors": [

        "http://hub-mirror.c.163.com",

        "https://z2ycya8q.mirror.aliyuncs.com"

    ]

}

EOF

sudo systemctl daemon-reload

sudo systemctl restart docker

生成镜像：

cd /home

git clone https://code.dobest.com/research-nlp/Langchain-Chatchat.git

初始化数据库:

cp -r /home/Langchain-Chatchat/knowledge_base/* /home/data/Langchain-Chatchat/knowledge_base/

cd Langchain-Chatchat

docker build -f ./Dockerfile -t langchain-chatchat .

docker run -it -d -p 8501:8501 -p 7861:7861 -p 20000:20000 -p 20001:20001 -p 20002:20002 -p 21007:21007 --gpus all -e ZMENV="online" --restart=always -v "/home/models:/home/models" -v "/home/data/Langchain-Chatchat/knowledge_base:/usr/src/Langchain-Chatchat/knowledge_base" -v "/home/data/Langchain-Chatchat/logs:/usr/src/Langchain-Chatchat/logs" -v /etc/localtime:/etc/localtime:ro langchain-chatchat

远程调试代码

pycharm远程调试

PyCharm远程调试代码 - 知乎

【已解决】Pycharm:Can't get remote credentials for deployment server-CSDN博客

设置个ssh interpreter就可以远程调试了。

代码解析

start_main_server

         -> run_controller

         -> run_model_worker

         -> run_openai_api

         -> run_api_server

         -> run_webui

主进程fork出7个子进程

每个模型起一个子进程

服务端运行FastChat

GitHub - lm-sys/FastChat: An open platform for training, serving, and evaluating large language models. Release repo for Vicuna and Chatbot Arena.

HTTP API Source | Segment Documentation

socket，长连接通信

run_api_server（startup.py）

run_api_server  -> create_app

start_main_server  -> run_model_worker

FastAPI拉起模型进程

document

    app.get("/",

            response_model=BaseResponse,

            summary="swagger 文档")(document)

openai_chat

    # Tag: Chat

    app.post("/chat/fastchat",

             tags=["Chat"],

             summary="与llm模型对话(直接与fastchat api对话)")(openai_chat)

openai_chat -> ChatCompletion : acreate -> EngineAPIResource : acreate -> api_requestor : request

不带历史条件的单问题对话

{   "model": "chatglm2-6b",   "messages": [     {       "role": "user",       "content": "hello"     }   ],   "temperature": 0.7,   "n": 1,   "max_tokens": 1024,   "stop": [],   "stream": false,   "presence_penalty": 0,   "frequency_penalty": 0 }

chat

    app.post("/chat/chat",

             tags=["Chat"],

             summary="与llm模型对话(通过LLMChain)")(chat)

chat每个入参对应post里面的一个json字段

def chat(query: str = Body(..., description="用户输入", examples=["恼羞成怒"]),          history: List[History] = Body([],                                        description="历史对话",                                        examples=[[                                            {"role": "user", "content": "我们来玩成语接龙，我先来，生龙活虎"},                                            {"role": "assistant", "content": "虎头虎脑"}]]                                        ),          stream: bool = Body(False, description="流式输出"),          model_name: str = Body(LLM_MODEL, description="LLM 模型名称。"),          ):

chat ->chat_iterator

把所有历史记录作为prompt输入

[[ChatMessage(content='我们来玩成语接龙，我先来，生龙活虎', additional_kwargs={}, role='user'), ChatMessage(content='虎头虎脑', additional_kwargs={}, role='assistant'), ChatMessage(content='恼羞成怒', additional_kwargs={}, role='user')]]

chat ->chat_iterator ->acall ->llm : _acall -> agenerate -> agenerate_prompt ->agenerate ->_agenerate_with_cache ->openai:_agenerate ->openai: _astream -> openai: acompletion_with_retry -> chat_completion : acreate -> engine_api_resource : acreate -> api_requestor : arequest -> api_requestor : arequest_raw -> client : request

貌似大模型都按照openai_api的定义生成了一套标准http接口

langchain是封装了一层，对接所有大模型的openap_api

knowledge_base_chat

    app.post("/chat/knowledge_base_chat",

             tags=["Chat"],

             summary="与知识库对话")(knowledge_base_chat)

长连接通信：

pages = {"对话": {"icon": "chat","func": dialogue_page,},"知识库管理": {"icon": "hdd-stack","func": knowledge_base_page,},}

dialogue_page  -> utils: knowledge_base_chat -> chat. knowledge_base_chat

http 接口：

 create_app -> chat. knowledge_base_chat

所有接口都有两条路

knowledge_base_chat -> knowledge_base_chat_iterator -> kb_doc_api: search_docs -> base : search_docs -> faiss_kb_service : do_search -> langchain : similarity_search_with_score -> faiss : replacement_search

langchain 对接 faiss

docs返回相似度top5的答案

[ChatMessagePromptTemplate(prompt=PromptTemplate(input_variables=[], output_parser=None, partial_variables={}, template='{% raw %}我们来玩成语接龙，我先来，生龙活虎{% endraw %}', template_format='jinja2', validate_template=True), additional_kwargs={}, role='user'), ChatMessagePromptTemplate(prompt=PromptTemplate(input_variables=[], output_parser=None, partial_variables={}, template='{% raw %}虎头虎脑{% endraw %}', template_format='jinja2', validate_template=True), additional_kwargs={}, role='assistant'), ChatMessagePromptTemplate(prompt=PromptTemplate(input_variables=['context', 'question'], output_parser=None, partial_variables={}, template='<指令>根据已知信息，简洁和专业的来回答问题。如果无法从中得到答案，请说 “根据已知信息无法回答该问题”，不允许在答案中添加编造成分，答案请使用中文。 </指令>\n\n<已知信息>{{ context }}</已知信息>\n\n<问题>{{ question }}</问题>', template_format='jinja2', validate_template=True), additional_kwargs={}, role='user')]

chat_prompt = ChatPromptTemplate.from_messages(
    [i.to_msg_template() for i in history] + [input_msg])

历史和prompt模版拼接成chat_prompt

knowledge_base_chat -> Chain : acall

会将文本作为已知信息，提出问题

所有的历史和搜索文本、问题拼装成提示语

Chain : agenerate -> Chain : aprep_prompts

将params一些数据转成bytes的data发给模型服务

knowledge_base_chat -> Chain : acall -> Chain : agenerate -> Chain : aprep_prompts -> BaseChatModel : agenerate -> BaseChatModel : _agenerate_with_cache -> ChatOpenAI : _agenerate -> ChatOpenAI : _astream -> chat_models : acompletion_with_retry -> _completion_with_retry -> ChatCompletion : acreate -> EngineAPIResource : acreate -> APIRequestor : arequest -> APIRequestor : arequest_raw

最后Chain : acall的response里获得模型答复

可以根据阈值返回TOPK作为先验知识

# 知识库匹配向量数量VECTOR_SEARCH_TOP_K = 5# 知识库匹配相关度阈值，取值范围在0-1之间，SCORE越小，相关度越高，取到1相当于不筛选，建议设置在0.5左右SCORE_THRESHOLD = 1

search_engine_chat

    app.post("/chat/search_engine_chat",

             tags=["Chat"],

             summary="与搜索引擎对话")(search_engine_chat)

search_engine_chat -> lookup_search_engine -> duckduckgo_search

调用第三方搜索API，我们没有对应的库，就会抛异常报错。

agent_chat

    app.post("/chat/agent_chat",

             tags=["Chat"],

             summary="与agent对话")(agent_chat)

LangChain Agent入门教程 - LangChain教程(Python版本) - 梯子教程网

是通过llm进行决策，然后，程序去调用对应的工具。目前不需要。对应工具可能没有。

都是调用langchain的agent接口。查天气不可用。翻译可用。

本质上还是语言模型输入输出，在大模型外层设计出对应字符串的action回调，回调中自定义功能。

天气这个是chatchat这边实现的，应该还没有调通，解决了一个参数问题，大模型返回格式还不太对。

大模型回复了，格式不对

修改了明确的提示语后，可以调通天气，只需要和风天气API的key就可以查询了。

明确的prompt很重要，问题后面就是接答案，不要乱搞。

_PROMPT_TEMPLATE = """用户将会向您咨询天气问题，您不需要自己回答天气问题，而是将用户提问的信息提取出来区，市和时间三个元素后使用我为你编写好的工具进行查询并返回结果，格式为 区+市+时间 每个元素用空格隔开。如果缺少信息，则用 None 代替。问题: ${{用户的问题}}答案： ```text${{拆分的区，市和时间}}```... weather(提取后的关键字，用空格隔开)...这是两个例子：问题: 上海浦东未来1小时天气情况？答案： ```text浦东 上海 1```...weather(浦东 上海 1)...问题: 北京市朝阳区未来24小时天气如何？答案： ```text朝阳 北京 24```...weather(朝阳 北京 24)...现在，这是我的问题：问题: {question}"""

利用ChatGPT的函数调用功能实现：实时查询天气 - FooFish

agent_chat -> agent_chat_iterator -> Chain : acall -> BaseSingleActionAgent : _acall

generations=[ChatGenerationChunk(text=' 我需要查询上海浦东的天气情况，可以使用天气查询工具帮助我。\nAction: 天气查询工具\nAction Input: 上海 浦东 未来1小时\nObservation', message=AIMessageChunk(content=' 我需要查询上海浦东的天气情况，可以使用天气查询工具帮助我。\nAction: 天气查询工具\nAction Input: 上海 浦东 未来1小时\nObservation'))] llm_output=None

通过tool定义，能找到对应的func

然后再根据对应天气的特定的prompt调用大模型，从问题中提取出对应的参数，然后，提取校验返回值，并最为入参给到获取天气的函数，拿到天气信息。

list_kbs

    # Tag: Knowledge Base Management

    app.get("/knowledge_base/list_knowledge_bases",

            tags=["Knowledge Base Management"],

            response_model=ListResponse,

            summary="获取知识库列表")(list_kbs)

SQlALchemy session详解 - 知乎

list_kbs -> list_kbs_from_db

使用SQLAlchemy来操作数据库

create_kb

    app.post("/knowledge_base/create_knowledge_base",

             tags=["Knowledge Base Management"],

             response_model=BaseResponse,

             summary="创建知识库"

             )(create_kb)

封装了向量库服务 kb_service

再去调用langchain.vectorstores中封装好的方法

create_kb -> get_service_by_name ->load_kb_from_db

             get_service_by_name -> KBServiceFactory : get_service

// 先创建向量库

create_kb -> KBService : create_kb -> do_create_kb -> load_vector_store -> load_faiss_vector_store

// 再创建对应数据库信息

          -> KBService : create_kb -> add_kb_to_db

delete_kb

    app.post("/knowledge_base/delete_knowledge_base",

             tags=["Knowledge Base Management"],

             response_model=BaseResponse,

             summary="删除知识库"

             )(delete_kb)

// 删除向量库内容

delete_kb ->clear_vs -> FaissKBService : do_clear_vs

// 删除对应数据库信息

delete_kb ->clear_vs -> delete_files_from_db

// 删除知识库

delete_kb -> drop_kb -> FaissKBService : do_drop_kb

delete_kb -> drop_kb -> delete_kb_from_db

list_files

    app.get("/knowledge_base/list_files",

            tags=["Knowledge Base Management"],

            response_model=ListResponse,

            summary="获取知识库内的文件列表"

            )(list_files)

// 查数据库

list_files -> KBService : list_files -> list_files_from_db

search_docs

    app.post("/knowledge_base/search_docs",

             tags=["Knowledge Base Management"],

             response_model=List[DocumentWithScore],

             summary="搜索知识库"

             )(search_docs)

search_docs -> KBService : search_docs -> FaissKBService : do_search -> FAISS : similarity_search_with_score

FaissKBService 属于Langchain基础上再封装

FAISS 是Langchain封装好的向量库接口

upload_doc

    app.post("/knowledge_base/upload_doc",

             tags=["Knowledge Base Management"],

             response_model=BaseResponse,

             summary="上传文件到知识库"

             )(upload_doc)

保存知识文件到对应知识库路径

会将文件内容以行为单位截断，那么相邻两部分的首尾有一部分内容重合。

// 清理向量库和数据库

upload_doc -> KBService : add_doc -> KBService ： delete_doc

// 将文档内容加入向量库

upload_doc -> KBService : add_doc -> FaissKBService : do_add_doc -> VectorStore : add_documents

VectorStore：langchain封装的向量库接口

// 将生成的向量id和对应文档信息，存入数据库

upload_doc -> KBService : add_doc -> add_file_to_db

delete_doc

    app.post("/knowledge_base/delete_doc",

             tags=["Knowledge Base Management"],

             response_model=BaseResponse,

             summary="删除知识库内指定文件"

             )(delete_doc)

删除找对应id是遍历整个知识库比对文件路径

// 从向量库中删除数据

delete_doc -> KBService : delete_doc -> FaissKBService : do_delete_doc

// 从数据库中删除文件信息（可以选择是否删除内容）

delete_doc -> KBService : delete_doc -> delete_file_from_db

update_doc

    app.post("/knowledge_base/update_doc",

             tags=["Knowledge Base Management"],

             response_model=BaseResponse,

             summary="更新现有文件到知识库"

             )(update_doc)

update_doc -> KBService : update_doc

所谓的更新就是先删除再重新添加

download_doc

    app.get("/knowledge_base/download_doc",

            tags=["Knowledge Base Management"],

            summary="下载对应的知识文件")(download_doc)

http://10.225.20.233:7861/knowledge_base/download_doc?knowledge_base_name=samples&file_name=1.docx

postman选择 send and download可以下载文件

download_doc -> FileResponse

recreate_vector_store

    app.post("/knowledge_base/recreate_vector_store",

             tags=["Knowledge Base Management"],

             summary="根据content中文档重建向量库，流式输出处理进度。"

             )(recreate_vector_store)

// 最后刷新缓存

recreate_vector_store -> output -> KBService : add_doc -> FaissKBService : do_add_doc -> vector_store.save_local

list_models

# LLM模型相关接口@app.post("/llm_model/list_models",tags=["LLM Model Management"],summary="列出当前已加载的模型")

list_running_models

应该是LLM Model + FSCHAT_MODEL_WORKERS

本地模型和在线接口

list_running_models -> Controller : list_models

list_config_models

app.post("/llm_model/list_config_models",tags=["LLM Model Management"],summary="列出configs已配置的模型",)(list_config_models)

list_config_models -> list_llm_models

stop_llm_model

@app.post("/llm_model/stop",tags=["LLM Model Management"],summary="停止指定的LLM模型（Model Worker)",)

stop_llm_model -> release_worker -> release_model

网络中转了几次，最后，模型被释放了，显存释放了

change_llm_model

@app.post("/llm_model/change",tags=["LLM Model Management"],summary="切换指定的LLM模型（Model Worker)",)

change_llm_model -> release_worker -> release_model

模型停掉，就不能切换了，看来不能动态的更换大模型

webui.py

UI框架Streamlit

SQLAlchemy

SQLAlchemy入门和进阶 - 知乎

# 数据库默认存储路径。# 如果使用sqlite，可以直接修改DB_ROOT_PATH；如果使用其它数据库，请直接修改SQLALCHEMY_DATABASE_URI。DB_ROOT_PATH = os.path.join(KB_ROOT_PATH, "info.db")SQLALCHEMY_DATABASE_URI = f"sqlite:///{DB_ROOT_PATH}"

默认使用了sqlite

class KnowledgeFileModel(Base):"""知识文件模型 """__tablename__ = 'knowledge_file'id = Column(Integer, primary_key=True, autoincrement=True, comment='知识文件ID')file_name = Column(String(255), comment='文件名')file_ext = Column(String(10), comment='文件扩展名')kb_name = Column(String(50), comment='所属知识库名称')document_loader_name = Column(String(50), comment='文档加载器名称')text_splitter_name = Column(String(50), comment='文本分割器名称')file_version = Column(Integer, default=1, comment='文件版本')file_mtime = Column(Float, default=0.0, comment="文件修改时间")file_size = Column(Integer, default=0, comment="文件大小")custom_docs = Column(Boolean, default=False, comment="是否自定义docs")docs_count = Column(Integer, default=0, comment="切分文档数量")create_time = Column(DateTime, default=func.now(), comment='创建时间')def __repr__(self):return f"<KnowledgeFile(id='{self.id}', file_name='{self.file_name}', file_ext='{self.file_ext}', kb_name='{self.kb_name}', document_loader_name='{self.document_loader_name}', text_splitter_name='{self.text_splitter_name}', file_version='{self.file_version}', create_time='{self.create_time}')>"class FileDocModel(Base):"""文件-向量库文档模型 """__tablename__ = 'file_doc'id = Column(Integer, primary_key=True, autoincrement=True, comment='ID')kb_name = Column(String(50), comment='知识库名称')file_name = Column(String(255), comment='文件名称')doc_id = Column(String(50), comment="向量库文档ID")meta_data = Column(JSON, default={})def __repr__(self):return f"<FileDoc(id='{self.id}', kb_name='{self.kb_name}', file_name='{self.file_name}', doc_id='{self.doc_id}', metadata='{self.metadata}')>"

两张表KnowledgeFileModel 和 FileDocModel

用的是SessionLocal，本地数据库

自定义线上API

server/model_workers下面添加线上API的具体定义，可以参考目录下其它线上API定义。

generate_stream_gate里面定义具体的接口对接代码。

server_config.py中 FSCHAT_MODEL_WORKERS下面新增api绑定端口。

model_config.py 中ONLINE_LLM_MODEL 新增 api配置