受langchain-ChatGLM项目启发，由于Elasticsearch可实现文本和向量两种方式混合查询，且在业务场景中使用更广泛，因此本项目用Elasticsearch代替Faiss作为知识存储库，利用Langchain+Chatglm2实现基于自有知识库的智能问答。

本项目希望抛砖引玉，能够帮助大家快速地做技术验证和技术路线选取。

默认使用的embedding模型为moka-ai/m3e-large

目前仅支持上传 txt、docx、md等文本格式文件。

默认使用余弦距离计算文本相似性。

修改配置文件config.ini，配置Elasticsearch链接

模型可修改为本地路径

增加对InternLM的支持：llm_model修改为internlm/internlm-chat-7b即可。

执行web.py

python web.py

ES插入时文档交互模块会显示插入是否成功，或抛出异常内容；问答时，文档交互模块会展示查询到的内容，包括文档来源，文档内容和相似度分数。

三种查询模式，具体区别见Elasticsearch官方文档

近似查询：Approximate kNN

混合查询：Combine approximate kNN with other features

精确查询：Exact, brute-force kNN

查询阈值：

仅返回相似度分数大于阈值的查询结果，0为不设限制

top_k：

返回最相关的k个文本

knn_boost：

适用于混合查询，knn_score所占比例

打包docker镜像

docker build -f docker/Dockerfile -t es-chatglm:v1.0 .

启动docker容器

docker run --gpus "device=0" -p 8000:8000 -it es-chatglm:v1.0 bash

1. THUDM/chatglm2-6b
2. moka-ai/m3e-large
3. LangChain
4. langchain-ChatGLM

[email protected]

欢迎沟通交流！