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。

部署还是比较简单的，照着文档一步一步来就行

先看下 python 版本，最好 3.10：https://www.python.org/download/releases/

python --version

然后拉取仓库，安装依赖

# 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

我 webui 和 api 都安装，可以按需安装的

#安装API

pip install -r requirements_api.txt

#安装webui

pip install -r requirements_webui.txt

下面需要下载模型，受限需要装下 Git LFS：https://docs.github.com/zh/repositories/working-with-files/managing-large-files/installing-git-large-file-storage

git lfs install

模型一般从 HuggingFace 下载： https://huggingface.co/models

不过由于某些原因可能无法访问，我们可以从镜像站点下载：https://hf-mirror.com/models

下载模型：

git clone https://hf-mirror.com/THUDM/chatglm2-6b
git clone https://hf-mirror.com/moka-ai/m3e-base

下面复制下默认的配置文件

python copy_config_example.py

初始化知识库

python init_database.py --recreate-vs

然后启动

python startup.py -a

顺利的话可以看到当前配置：

浏览器打开web界面:

API也顺利运行：

仍本水浒传进去，看看效果：

貌似还行，主要是 cpu 的话实在太慢…

看下我们的 pytorch 是否支持使用 GPU

python
import torch
torch.version
print(torch.cuda.is_available())

False 说明当前 pytorch 不支持 cuda

要用 gpu，需要装 cuda，然后装支持 cuda 的 pytorch

先下载 cuda toolkit ：https://developer.nvidia.com/cuda-toolkit-archive

目前 pytorch 用的比较多的是 11.8 和 12.1

安装完成后，运行查看下 cuda 版本

nvcc –V

然后上 https://pytorch.org/ ，安装支持 cuda 的 pytorch

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

但我们已经装过 pytorch 的话，这样不一定能装上…

需要上 https://download.pytorch.org/whl/torch_stable.html

找到需要的版本，本地安装，

像CPU版本的，支持 python3.10 的，win版的是这个：

支持 cuda 12.1，python3.10 的，win版的是这个：

下载到本地，安装：

pip install g:/AI/torch-2.1.0+cu121-cp310-cp310-win_amd64.whl

安装完成后再看下是否支持 cuda：

python
import torch
torch.version
print(torch.cuda.is_available())

现在再启动 Langchain-Chatchat，就可以支持 GPU 了

但是我的 8G 显存太小了，使用 chatglm2-6b 的时候会报显存不足无法启动….

可以使用量化过的 chatglm2-6b-int4 模型（当然量化过的模型会傻一点…）

先下载模型：

git clone https://hf-mirror.com/THUDM/chatglm2-6b-int4

然后修改 model_config.py，修改 LLM 模型名称（注意上面 MODEL_PATH 的 llm_model 里指定了 chatglm2-6b-int4 模型的路径，需要的话可以自己修改模型路径）

然后运行

python startup.py -a

可以看到我们已经是 cuda 的版本了

随便试试…

速度比 cpu 快了很多…

原来 智多星 是 李逵…

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2026 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2026 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！