基于ChatGLM3的本地问答机器人部署流程
- 前言
- 一、确定文件结构
- 二、Anaconda环境搭建
- 三、构建本地知识库
- 四、线上运行
- [五、 全部命令](#五、 全部命令)
前言
部署完成后视频演示
https://www.bilibili.com/video/BV1fV3XePEi4/?spm_id_from=333.1007.top_right_bar_window_dynamic.content.click&vd_source=c5d972a40f6877b991f3c691467df568参考链接：
https://github.com/THUDM/ChatGLM3
https://github.com/chatchat-space/Langchain-Chatchat
#微调
https://github.com/THUDM/ChatGLM3/blob/main/finetune_demo/README.md
https://zhipu-ai.feishu.cn/wiki/QiLtwks1YioOSEkCxFIcAEWNnzb
https://github.com/chatchat-space/Langchain-Chatchat/wiki/#基于ChatGLM3的本地测井问答机器人设计文档
https://download.csdn.net/download/qq_51985653/89406695一、确定文件结构
1.新建文件夹储存本地模型
2.下载源码和模型
#若下载较慢也可复制链接手动下载到本地
c
git clone https://huggingface.co/THUDM/chatglm2-6b-32k
git clone https://huggingface.co/moka-ai/m3e-base
git clone https://github.com/chatchat-space/Langchain-Chatchat.git下载完成后的文件结构
二、Anaconda环境搭建
1.创建anaconda环境
打开anaconda终端，创建并激活环境
conda create -n log-chat python=3.10
conda activate log-chat
2.安装相关库
cd
conda install spacy
pip install cchardet
pip install accelerate
pip install --upgrade pip
pip install -r requirements.txt
3.设置本地模型路径
来到llm-chat模型的configs文件夹下，修改model_config.py的内容
将LLM_MODELS设置为本地下载的模型文件
LLM_MODELS = ["chatglm2-6b-32k"]
在MODEL_PATH 中将m3e-base设置为本地路径
将llm_model中的chatglm2-6b-32k设置为本地模型路径，若本地有其他模型文件则同理
4.启动
在anaconda终端中进行启动
cd D:\DeeplearningWorkplace\GPT\models\llm-chat
python startup.py --all-webui
三、构建本地知识库
1.下载并安装postgresql
2.安装c++库
3.配置向量插件
在Developer Command Prompt for Vs 2022终端进入源码目录下并执行call命令
cd D:\DeeplearningWorkplace\GPT\models\llm-chat
call "E:\Softwares\Microsoft Visual tudio\2022\Community\VC\Auxiliary\Build\vcvars64.bat"
set "PGROOT=E:\Softwares\PostgreSQL\16"
git clone -branch v0.4.4 https://github.com/pgvector/pgvector.git
cd pgvector
nmake /F Makefile.win
nmake /F Makefile.win install#打开pgAdmin4，创建数据库并安装向量插件
四、线上运行
服务器租赁：https://www.autodl.com/
#autodl部署启动命令
cd /root/Langchain-Chatchat/
conda activate /root/pyenv
python startup.py -a
#服务器连接本地参考命令
ssh -CNg -L 8501:127.0.0.1:8501 featurize@workspace.featurize.cn -p 56656
ssh -CNg -L 6006:127.0.0.1:6006 root@123.125.240.150 -p 42151
#其中root@123.125.240.150和42151分别是实例中SSH指令的访问地址与端口，
#请找到自己实例的ssh指令做相应替换。
#6006:127.0.0.1:6006是指代理实例内6006端口到本地的6006端口。
添加本地文件到知识库
五、 全部命令
#完成建立放置本地模型文件夹后在Anaconda终端执行下述命令
#其中相关路径要修改为自己对应的本地路径
#下载模型
git clone https://huggingface.co/THUDM/chatglm2-6b-32k
git clone https://huggingface.co/moka-ai/m3e-base
git clone https://github.com/chatchat-space/Langchain-Chatchat.git
#创建并激活conda环境
conda create -n log-chat python=3.10
conda activate log-chat
#在模型对应路径下安装相关库
cd D:\DeeplearningWorkplace\GPT\models\llm-chat
conda install spacy
pip install cchardet
pip install accelerate
pip install --upgrade pip
pip install -r requirements.txt
cd configs
cp ./model_config.py.example ./model_config.py
cp ./server_config.py.example ./server_config.py
cp ./basic_config.py.example ./basic_config.py
cp ./kb_config.py.example ./kb_config.py
cp ./prompt_config.py.example ./prompt_config.py
#修改llm-chat配置文件使其使用本地模型
#修改model_config.py文件内容
#anaconda中启动
conda activate log-chat
cd D:\DeeplearningWorkplace\GPT\models\llm-chat
python startup.py --all-webui
#下载postgresql
#https://www.enterprisedb.com/downloads/postgres-postgresql-downloads
#下载visualstudio 安装c++环境
#https://visualstudio.microsoft.com/zh-hans/downloads
#在Developer Command Prompt for Vs 2022终端进入源码目录下
cd D:\DeeplearningWorkplace\GPT\models\llm-chat
#执行call命令
call "E:\Softwares\Microsoft Visual Studio\2022\Community\VC\Auxiliary\Build\vcvars64.bat"
#执行下述命令
set "PGROOT=E:\Softwares\PostgreSQL\16"
git clone -branch v0.4.4 https://github.com/pgvector/pgvector.git
cd pgvector
nmake /F Makefile.win
nmake /F Makefile.win install
#打开pgAdmin4，创建数据库并安装向量插件
CREATE DATABASE TEST;
CREATE EXTENSION IF NOT EXISTS vector;
#打开anaconda终端
conda activate log-chat
cd D:\DeeplearningWorkplace\GPT\models\llm-chat\configs
python -m spacy download en_core_web_sm
python -m spacy download zh_core_web_sm
pip install psycopg2
pip install pgvetor
cd D:\DeeplearningWorkplace\GPT\models\llm-chat\
python init_database.py --recreate-vs
#启动
python startup.py -a
#之后在网页端上传知识库文件即可