LangChain-ChatGLM-Webui

GitHub
3.3k 494 中等 5 次阅读 3天前Apache-2.0语言模型开发框架
AI 解读 由 AI 自动生成,仅供参考

LangChain-ChatGLM-Webui 是一个开源的本地知识库问答系统,结合 LangChain 框架与 ChatGLM-6B 等中文大语言模型,让用户能通过上传自己的文档(如 PDF、Word、Markdown 等),快速构建专属的智能问答助手。它解决了通用大模型无法访问私有或本地资料的问题,使回答更贴合用户特定领域的知识内容。

该工具适合开发者、研究人员以及对 AI 应用感兴趣的普通用户使用,尤其适合希望在本地部署、保护数据隐私的前提下实现智能问答场景的人群。项目支持多种主流中文大模型和嵌入(Embedding)模型,并提供图形化 Web 界面,降低了使用门槛。同时,它已在 HuggingFace、ModelScope、OpenXLab 等多个平台上线在线体验版本,方便用户快速试用和部署。

使用场景

某中小型科技公司的技术文档工程师需要为内部团队快速搭建一个基于公司私有技术文档的智能问答系统,用于新员工培训和日常开发查询。

没有 LangChain-ChatGLM-Webui 时

  • 团队只能依赖通用大模型(如公开 ChatGPT),无法访问公司内部 PDF、Word 等格式的技术手册和 API 文档。
  • 若需实现本地知识问答,必须从零搭建检索增强生成(RAG)流程,涉及文档解析、向量嵌入、数据库存储和模型调用等多个复杂环节。
  • 工程师缺乏现成的中文 Embedding 和 LLM 组合方案,调试兼容性耗时耗力。
  • 每次更新文档后,需手动重新处理全文并重建索引,效率低下且易出错。
  • 部署界面简陋或无图形界面,非技术人员难以直接使用。

使用 LangChain-ChatGLM-Webui 后

  • 直接上传公司内部的 PDF、Markdown 和 Word 技术文档,系统自动完成文本提取与向量化,无需编写解析脚本。
  • 开箱即用集成 ChatGLM-6B 与 text2vec-large-chinese 等中文优化模型,省去模型选型与适配成本。
  • 提供简洁 Web 界面,新员工可直接输入自然语言问题(如“如何配置认证中间件?”),即时获得基于最新文档的答案。
  • 支持一键重建知识库,文档更新后只需点击按钮即可刷新语义索引。
  • 全部运行在本地服务器,保障敏感技术资料不出内网,满足企业安全合规要求。

LangChain-ChatGLM-Webui 将复杂的本地知识问答系统简化为“上传即用”的一站式解决方案,显著降低中小企业部署私有智能客服或文档助手的技术门槛。

运行环境要求

操作系统
  • Linux
  • macOS
  • Windows
GPU

未说明

内存

未说明

依赖
notes项目支持多种大语言模型和Embedding模型,首次运行需下载模型文件(如ChatGLM-6B约5GB);建议使用conda或venv管理Python环境;部分模型(如int4量化版)可降低显存需求;详细部署步骤参考docs/deploy.md
python3.8.1+
langchain
torch
transformers
accelerate
gradio
sentence-transformers
pdfminer.six
python-docx
markdown
LangChain-ChatGLM-Webui hero image

快速开始

github HuggingFace modelscope openxlab OpenI AIStudio bilibili

stars contributors issues pull requests

视频链接 | 在线体验 | 部署文档| 更新日志 | 常见问题

🔥 项目体验

本项目提供基于HuggingFace社区OpenXLabModelScope魔搭社区飞桨AIStudio社区的在线体验, 欢迎尝试和反馈!

👏 项目介绍

langchain-ChatGLM启发, 利用LangChain(语言链)和ChatGLM-6B系列模型制作的Webui, 提供基于本地知识的大模型应用.

目前支持上传 txt、docx、md、pdf等文本格式文件, 提供包括ChatGLM-6B系列、Belle系列等大语言模型(Large Language Model, LLM)以及GanymedeNil/text2vec-large-chinesenghuyong/ernie-3.0-base-zhnghuyong/ernie-3.0-nano-zh等Embedding(嵌入)模型.

HuggingFace效果

ModelScope效果

🚀 使用方式

提供ModelScope版本和HuggingFace版本.
需要Python>=3.8.1

详细部署教程可参考: 部署文档 | 视频教程

支持模型

若存在网络问题可在此找到本项目涉及的所有模型:

大语言模型(large language model) Embedding模型
ChatGLM-6B text2vec-large-chinese
ChatGLM-6B-int8 ernie-3.0-base-zh
ChatGLM-6B-int4 ernie-3.0-nano-zh
ChatGLM-6B-int4-qe ernie-3.0-xbase-zh
Vicuna-7b-1.1 simbert-base-chinese
Vicuna-13b-1.1 paraphrase-multilingual-MiniLM-L12-v2
BELLE-LLaMA-7B-2M
BELLE-LLaMA-13B-2M
internlm-chat-7b-8k
internlm-chat-7b-v1_1
internlm-chat-7b

💪 更新日志

详情请见: 更新日志

项目处于初期阶段, 有很多可以做的地方和优化的空间, 欢迎感兴趣的社区大佬们一起加入!

❤️ 引用

  1. ChatGLM-6B: ChatGLM-6B: 开源双语对话语言模型
  2. LangChain: Building applications with LLMs through composability
  3. langchain-ChatGLM: 基于本地知识的 ChatGLM 应用实现
ChatGLM论文引用
@inproceedings{
  zeng2023glm-130b,
  title={{GLM}-130B: An Open Bilingual Pre-trained Model},
  author={Aohan Zeng and Xiao Liu and Zhengxiao Du and Zihan Wang and Hanyu Lai and Ming Ding and Zhuoyi Yang and Yifan Xu and Wendi Zheng and Xiao Xia and Weng Lam Tam and Zixuan Ma and Yufei Xue and Jidong Zhai and Wenguang Chen and Zhiyuan Liu and Peng Zhang and Yuxiao Dong and Jie Tang},
  booktitle={The Eleventh International Conference on Learning Representations (ICLR)},
  year={2023},
  url={https://openreview.net/forum?id=-Aw0rrrPUF}
}
@inproceedings{du2022glm,
  title={GLM: General Language Model Pretraining with Autoregressive Blank Infilling},
  author={Du, Zhengxiao and Qian, Yujie and Liu, Xiao and Ding, Ming and Qiu, Jiezhong and Yang, Zhilin and Tang, Jie},
  booktitle={Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers)},
  pages={320--335},
  year={2022}
}
BELLE论文引用
@misc{BELLE,
  author = {Yunjie Ji, Yong Deng, Yan Gong, Yiping Peng, Qiang Niu, Baochang Ma and Xiangang Li},
  title = {BELLE: Be Everyone's Large Language model Engine },
  year = {2023},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/LianjiaTech/BELLE}},
}
@article{belle2023exploring,
  title={Exploring the Impact of Instruction Data Scaling on Large Language Models: An Empirical Study on Real-World Use Cases},
  author={Yunjie Ji, Yong Deng, Yan Gong, Yiping Peng, Qiang Niu, Lei Zhang, Baochang Ma, Xiangang Li},
  journal={arXiv preprint arXiv:2303.14742},
  year={2023}
}

🙇‍ ‍感谢

  1. langchain-ChatGLM提供的基础框架
  2. 魔搭ModelScope提供展示空间
  3. OpenI启智社区提供调试算力
  4. langchain-serve提供十分简易的Serving(服务部署)方式
  5. 除此以外, 感谢来自社区的同学们对本项目的关注和支持!

🌟 Star History(Star 历史)

Star History Chart

😊 加群沟通

常见问题

相似工具推荐

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|今天
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

139k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

107.7k|★★☆☆☆|2天前
开发框架图像Agent

NextChat

NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。

87.6k|★★☆☆☆|今天
开发框架语言模型

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。

85k|★★☆☆☆|今天
图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。

77.1k|★★★☆☆|昨天
Agent图像开发框架