Langchain-chatchat学习（自用）

github传送门（0.3.x版本）：chatchat-space/Langchain-Chatchat: Langchain-Chatchat（原Langchain-ChatGLM）基于 Langchain 与 ChatGLM, Qwen 与 Llama 等语言模型的 RAG 与 Agent 应用 | Langchain-Chatchat (formerly langchain-ChatGLM), local knowledge based LLM (like ChatGLM, Qwen and Llama) RAG and Agent app with langchain

gitee传送门 (0.2.x版本）：主python

Langchain-Chatchat: 基于 Langchain 与 ChatGLM 等语言模型的本地知识库问答，fork from github：https://github.com/chatchat-space/Langchain-Chatchat

BGE-large-zh-v1.5模型：

文本嵌入向量模型，解决多语言环境下的文本检索问题。核心原理是基于嵌入（Embedding）技术，将文本转换为高维向量表示。处理长达 8192 个 token 的输入

向量生成：

使用预训练的嵌入模型（例如，OpenAI 的 Ada 模型、BERT、BART 等）将文本转换为向量。在 NLP 中，常常使用向量来表示文本数据。将文本转换为向量后，可以使用数学距离（如欧几里得距离、余弦相似度等）来比较文本的相似性。具有相似含义的文本在向量空间中的距离较近。

FAISS向量库：

向量数据库 Faiss：搭建与使用_如何检验faiss数据库是否正常-优快云博客

文本预处理（分词-去除无关词）- 向量化文本（预训练语言模型）- 创建和索引向量（生成向量后使用FAISS创建索引）- 查询（使用索引相似向量）

LLM模型对话：

支持多种模型

ChatGLM3-6B模型：

基于大规模预训练Transformer架构的中文对话生成模型。它的设计主要用于提升与用户的自然语言交流能力，涉及了对话理解、生成和上下文维护等方面。

借助Langchain的模块化设计，ChatGLM3-6B可以与其他功能（如信息检索、知识库访问）结合使用，增强其在特定应用场景下的能力。

历史对话存储：

SQLAlchemy数据库模型ConversationModel存储历史对话，数据库操作函数将消息存储到数据库中。具体字段包括：（id：每个对话框的唯一标识符 - name：对话框的名称，用于识别或描述与此对话相关的内容 - chat_type：指示聊天的类型（例如是用户之间的聊天还是与聊天机器人代理之间的聊天）- create_time：记录创建此对话框的时间）

SQLAchemy模型：

SQLAlchemy是Python编程语言下的一款ORM框架，该框架建立在数据库API之上，使用关系对象映射进行数据库操作，简言之便是：将对象转换成SQL，然后使用数据API执行SQL并获取执行结果。

历史对话管理：

Pydantic数据模型验证新消息：

在将新消息添加到历史记录之前，使用Pydantic数据模型进行验证，确保数据的一致性和有效性。

知识库：

知识库问答

FastAPI接口：

构建与用户的对话应用程序，管理对话历史，整合各种工具和数据源，以及调整模型参数以优化对话体验。。。。

访问Chatchat WEBUI Server查看接口信息，对应代码都可以在server文件夹下对应的python文件中找到

拓展：

基于Longchain-chatchat的AI智能课堂：

用户输入关键词，系统根据关键词检索文档，生成题目、选项以及正确答案

对kb_doc_api.py中的接口进行改写，接口接收关键字，返回生成的考题和答案，并将数据存储到数据库中