Langchain-Chatchat 2.10版本在线Embedding模型加载指南

在Langchain-Chatchat 2.10版本中，实现在线Embedding模型的加载是一个关键功能，它能够显著提升知识库构建和问答系统的性能。本文将详细介绍如何通过Xinference框架配置和使用在线Embedding模型。

准备工作

在开始配置之前，需要确保已经完成以下准备工作：

1. 已部署Xinference服务并确保其正常运行
2. 已安装Langchain-Chatchat 2.10版本
3. 已准备好目标Embedding模型（如bge-large-zh-v1.5）

模型注册与启动

首先需要通过Xinference API注册Embedding模型。以下是注册bce-embedding-base_v1模型的示例命令：

curl 'http://127.0.0.1:9997/v1/model_registrations/embedding' \
  -H 'Accept: */*' \
  -H 'Content-Type: application/json' \
  --data-raw '{"model":"{\"model_name\":\"bce-embedding-base_v1\",\"dimensions\":768,\"max_tokens\":512,\"model_uri\":\"/path/to/model\",\"language\":[\"en\",\"zh\"]}","persist":true}'

注册完成后，需要启动模型实例：

curl 'http://127.0.0.1:9997/v1/models' \
  -H 'Accept: */*' \
  -H 'Content-Type: application/json' \
  --data-raw '{"model_uid":"bce-embedding-base_v1","model_name":"bce-embedding-base_v1","model_type":"embedding","replica":1,"n_gpu":"auto"}'

配置Langchain-Chatchat

完成模型注册后，需要在Langchain-Chatchat中进行相应配置。通过以下命令设置Xinference平台参数：

chatchat-config model --set_model_platforms "[{
  \"platform_name\": \"xinference\",
  \"platform_type\": \"xinference\",
  \"api_base_url\": \"http://127.0.0.1:9997/v1\",
  \"api_key\": \"EMPT\",
  \"api_concurrencies\": 5,
  \"llm_models\": [],
  \"embed_models\": [
      \"bce-embedding-base_v1\"
  ],
  \"image_models\": [],
  \"reranking_models\": [],
  \"speech2text_models\": [],
  \"tts_models\": []
}]"

初始化知识库

配置完成后，需要初始化知识库以使用新配置的Embedding模型：

chatchat init --xinference-endpoint http://127.0.0.1:9997/v1 --embed-model bce-embedding-base_v1 --recreate-kb

此命令会重新创建知识库，并使用指定的Embedding模型处理文档内容。

启动服务

最后，启动Langchain-Chatchat服务：

chatchat start -a

验证配置

可以通过以下curl命令验证Embedding服务是否正常工作：

curl http://0.0.0.0:9997/v1/embeddings \
 -H "Content-Type: application/json" \
 -d '{
  "input": "测试embeddings",
  "model": "bge-large-zh-v1.5"
}'

常见问题处理

1. 模型加载失败：检查Xinference服务是否正常运行，模型路径是否正确
2. API连接问题：确认防火墙设置，确保端口9997可访问
3. 维度不匹配：确保配置的dimensions参数与模型实际维度一致

通过以上步骤，可以成功在Langchain-Chatchat 2.10版本中配置和使用在线Embedding模型，为后续的知识库构建和问答系统提供强大的语义理解能力。