工程落地实践|基于 ChatGLM2-6B + LangChain 搭建专属知识库

“ 经过前期的探索和准备，我们终于迈出了第一步：使用 ChatGPT 和 LangChain这些强大的工具，初步完成了专属知识库的搭建。”

01

—

继昨天部署 ChatGLM2-6B 成功后，工程落地实践｜国产大模型 ChatGLM2-6B 阿里云上部署成功，今天继续向“专属知识库”的目标前进。

在成功部署 ChatGPT 模型的基础上，用咱们国产的大模型 ChatGLM ，以及 LangChain 开源框架搭建“个人专属知识库”。

LangChain：是现在最流行围绕大语言模型构建的框架，可用于聊天机器人、生成式问答 (GQA)、摘要等。

朋友们可以上传自己感兴趣的文章、资料到这个知识库中。之后，大模型就可以根据这些个人资料，利用其强大的推理能力，回答朋友们提出的相关问题。

例如：收集某位喜欢的公众号或博主的文章，上传到自己的知识库。当您对这些内容有任何疑问时，知识库就可以为您提供解答。这就像拥有一个私人的、基于自身兴趣的问答专家。

因为之前经历过一次次踩坑填坑的过程，这次搭建过程还算顺利，没过多久，Web 界面就成功启动了。

02

—

1. 系统支持直接和大模型聊天对话，和知识库对话。
2. 支持切换后面支持的大模型：ChatGLM，Chatyuan，Vicuna，Bloom，Baichuan，Ggml，FastChat，OpenAI-ChatGPT。
3. 和知识库对话需要新建知识库（不支持中文名字知识库名），再上传知识文件/文件夹，等待后台将知识文件的内容向量化后，就可以向知识库提问。
4. 
   

您已进入知识库测试模式，您输入的任何对话内容都将用于进行知识库查询，并仅输出知识库匹配出的内容及相似度分值和及输入的文本源路径，查询的内容并不会进入模型查询。

知识相关度 Score 经测试，建议设置为 500 或更低，具体设置情况请结合实际使用调整。3. 使用"添加单条数据"添加文本至知识库时，内容如未分段，则内容越多越会稀释各查询内容与之关联的score阈值。

单条内容长度建议设置在100-150左右。

用一个问题试试知识库：