1.Keep在线运动课程15%为AIGC生产
2.AI语音克隆创企联手AI硬件公司
3.创新奇智：发布智孔明工业大模型2.0版本
4.vivo：开放蓝心大模型应用下载
5.Adobe：推出GenStudio人工智能广告创作平台
6.Airtable AI平台推出了新的AI功能
7.开启智能新时代：2024年中国AI大模型产业发展报告"用起一时爽，找时火葬场"，很好的形容了现在工作的小伙伴们找资料时的状态，尤其是工作多年的老司机，各种方案设计，本地都可能存不下了，有的上硬盘、有的上云盘，结果就是不好找、找不到、找到的不是我想要的那个版本。那么今天给大家推荐一款开源项目：
LangChain-Chatchat
Chatchat介绍
LangChain-Chatchat (原Langchain-ChatGLM) ：基于 ChatGLM 等大语言模型与 Langchain 等应用框架实现，开源、可离线部署的检索增强生成(RAG)大模型知识库项目。
虽然开源时间不久，但是势头很猛，已经斩获25.7K Star。
利用 langchain 思想实现的基于本地知识库的问答应用，目标期望建立一套对中文场景与开源模型支持友好、可离线运行的知识库问答解决方案； 支持的开源 LLM 与 Embedding 模型，本项目可实现全部使用 开源模型离线私有部署。也支持 OpenAI GPT API 的调用，并将在后续持续扩充对各类模型及模型 API 的接入；项目采用Apache License，可以免费商用，无需付费。
实现原理
实现原理如下图所示，过程包括：本地文件 -> load文本 -> 文本切分 -> 文本向量化 -> query向量化 -> 在文本向量中匹配出与query向量最相似的 top k -> 匹配出的文本作为上下文和query拼写到 prompt 中 -> 提交给 LLM -> 生成答案。
从文档处理角度来看，实现流程如下：
环境部署
软件环境
Linux Ubuntu 22.04.5 kernel version 6.7 Python 版本: >= 3.8(很不稳定), < 3.12，推荐3.11.7 CUDA 版本: >= 12.1，推荐12.1
硬件环境
取决于使用的LLM，想要顺利在GPU运行本地模型的 FP16 版本，至少需要以下的硬件配置，来保证能够实现稳定连续对话:
ChatGLM3-6B & LLaMA-7B-Chat 等 7B模型最低显存要求: 14GB 推荐显卡: RTX 4080 Qwen-14B-Chat 等 14B模型最低显存要求: 30GB 推荐显卡: V100
没有对 Int4 模型进行适配，不保证Int4模型能够正常运行。
Embedding 模型将会占用 1-2G 的显存。
例如，运行ChatGLM3-6B FP16 模型，显存占用13G，推荐使用16G以上内存。
三种部署方式：轻量化部署、Docker 部署、常规部署
1.轻量化部署
该模式的配置方式与常规模式相同，但无需安装 torch 等重依赖，通过在线API实现 LLM 和 Ebeddings 相关功能，适合没有显卡的电脑使用。
$ pip install -r requirements_lite.txt
$ python startup.py -a --lite
该模式支持的在线 Embeddings 包括：
智谱AI MiniMax 百度千帆 阿里云通义千问
在 model_config.py 中 将 LLM_MODELS 和 EMBEDDING_MODEL 设置为可用的在线 API 名称即可。
2.Docker 部署
docker run -d --gpus all -p 80:8501 registry.cn-beijing.aliyuncs.com/chatchat/chatchat:0.2.7
该版本镜像大小 43.1GB，使用 v0.2.6，以 nvidia/cuda:12.1.1-cudnn8-devel-ubuntu22.04 为基础镜像 该版本为正常版本，非轻量化版本 该版本内置两个 Embedding 模型：m3e-large，text2vec-bge-large-chinese(默认启用后者)，内置 chatglm2-6b-32k 该版本目标为方便一键部署使用，确保已经在 Linux 上安装 NVIDIA 驱动程序
3.常规部署
# 创建虚拟环境
$ source activate ~/.bashrc
$ conda create -n env_name python=3.8
$ conda activate env_name
# 更新py库
$ pip3 install --upgrade pip
# 拉取仓库
$ git clone --recursive https://github.com/chatchat-space/Langchain-Chatchat.git
$ cd Langchain-Chatchat
$ pip install -r requirements.txt
# 默认依赖包括基本运行环境（FAISS向量库）。以下是可选依赖：
- 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。
- 如果要开启 OCR GPU 加速，请安装 rapidocr_paddle[gpu]
- 如果要使用在线 API 模型，请安装对用的 SDK
# 模型下载
需要先安装Git LFS，然后下载
$ git lfs install
$ git clone https://huggingface.co/THUDM/chatglm2-6b
$ git clone https://huggingface.co/moka-ai/m3e-base
# 初始化知识库
## 如果创建过知识库，执行以下命令：
$ python init_database.py --create-tables
## 如果第一次运行，未创建过知识库，执行以下命令：
$ python init_database.py --recreate-vs
# 一键启动
$ python startup.py -a
# 多卡启动
CUDA_VISIBLE_DEVICES=0,1 python startup.py -a
可选参数包括：
-a (或--all-webui),
--all-api,
--llm-api,
-c (或--controller),
--openai-api, -m (或--model-worker),
--api,
--webui，其中：
--all-webui 为一键启动 WebUI 所有依赖服务；
--all-api 为一键启动 API 所有依赖服务；
--llm-api 为一键启动 Fastchat 所有依赖的 LLM 服务；
--openai-api 为仅启动 FastChat 的 controller 和 openai-api-server 服务；
其他为单独服务启动选项。
若想指定非默认模型，需要用 --model-name 选项，示例：
$ python startup.py --all-webui --model-name Qwen-7B-Chat
# 更多信息可通过 python startup.py -h 查看。
Web UI 对话界面：
Web UI 知识库管理页面：
注意： 以上方式只是为了快速上手，如果需要更多的功能和自定义启动方式 ，请参考详细文档。
