Langchain-Chatchat项目基于Ollama和Qwen2的本地部署指南

前言

Langchain-Chatchat是一个功能强大的对话系统框架，支持多种大语言模型和向量模型的集成。本文将详细介绍如何在本地环境中使用Ollama服务部署Qwen2大语言模型和BGE向量模型，实现完整的Langchain-Chatchat系统运行。

环境准备

1. Ollama服务安装

Ollama是一个简化大语言模型本地部署的工具，最新版本为0.1.48。安装完成后，需要拉取所需的模型：

ollama pull qwen2:7b  # 根据需求选择合适大小的模型
ollama pull quentinz/bge-large-zh-v1.5:latest  # 向量模型

2. Python环境配置

推荐使用Pyenv管理Python环境，确保环境隔离。安装步骤如下：

pip install poetry
poetry config virtualenvs.prefer-active-python true
cd Langchain-Chatchat/libs/chatchat-server/
poetry install --with lint,test

配置文件调整

1. 模型配置修改

在chatchat/configs/_model_config.py文件中，需要调整以下关键参数：

# 默认LLM模型设置
self.DEFAULT_LLM_MODEL = "qwen2:7b"

# 默认向量模型设置
self.DEFAULT_EMBEDDING_MODEL = "quentinz/bge-large-zh-v15"  # 注意去掉:latest后缀

# 模型平台配置
self.MODEL_PLATFORMS = [
    {
        "platform_name": "ollama",
        "platform_type": "ollama",
        "api_base_url": "http://127.0.0.1:11434/v1",
        "api_key": "sk",
        "api_concurrencies": 5,
        "llm_models": ["qwen2:7b"],
        "embed_models": ["quentinz/bge-large-zh-v1.5"],  # 同样去掉:latest
        # 其他模型类型保持空数组
    }
]

重要提示：向量模型名称必须完全一致，且不能包含:latest后缀，否则在使用FAISS向量库时会出现错误。

系统初始化与启动

1. 数据库初始化

在chatchat-server目录下执行：

python init_database.py --recreate-vs

初始化过程中可能会遇到关于libmupdf.so的警告，这通常不会影响主要功能。

2. 启动服务

执行以下命令启动所有服务组件：

python startup.py -a

服务启动后，可以通过浏览器访问http://127.0.0.1:8501/使用Web界面。

常见问题解决

1. 模型名称不一致：确保DEFAULT_LLM_MODEL和MODEL_PLATFORMS中的llm_models名称完全一致，包括大小写和特殊字符。

2. 向量模型访问错误：检查向量模型名称是否包含非法字符（如:latest），并确认Ollama服务已正确加载该模型。

3. 端口占用问题：如果默认端口被占用，可以通过修改配置文件调整服务端口。

最佳实践建议

1. 模型版本管理：为生产环境指定具体的模型版本号，而非使用latest标签，确保版本一致性。

2. 性能监控：对于api_concurrencies参数，应根据服务器硬件配置合理设置，避免资源耗尽。

3. 日志分析：定期检查服务日志，及时发现并解决潜在问题。

4. 安全配置：虽然本地开发可以使用简单的API key如"sk"，生产环境应使用更复杂的密钥。

结语

通过本文的指导，开发者可以成功在本地部署基于Ollama的Langchain-Chatchat系统，集成Qwen2大语言模型和BGE向量模型。这种部署方式不仅便于开发和测试，也为理解现代对话系统的架构提供了实践机会。随着Langchain-Chatchat项目的持续更新，建议关注新版本特性，如0.3.1版本引入的动态配置更新功能，这将进一步提升开发效率。