企业官网建设流程全解析

4个页面、3处关键配置：Langchain-Chatchat 界面怎么用

【免费下载链接】Langchain-ChatchatLangchain-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项目地址: https://gitcode.com/GitHub_Trending/la/Langchain-Chatchat

把一份几十页的 PDF 丢进去，就能基于自己的文档提问，这就是 Langchain-Chatchat 想解决的事。它是一个可离线部署的 RAG 与 Agent 应用，用 ChatGLM、Qwen、Llama 等开源模型驱动，不需要把数据交给任何在线服务。先纠正一个常见误会：它的界面不是 Next.js 写的，而是 Streamlit。所以"前端"就是一组 Python 页面文件，改起来比想象中快。

界面长什么样：Streamlit 搭的 4 个页面

启动 WebUI 后，你看到的左侧导航只有四项：多功能对话、RAG 对话、知识库管理、MCP 管理。

导航定义在 webui.py，页面主体则放在 webui_pages/ 目录下，一个菜单对应一个模块：

• 多功能对话 →dialogue/dialogue.py
• RAG 对话 →kb_chat.py
• 知识库管理 →knowledge_base/knowledge_base.py
• MCP 管理 →mcp/dialogue.py

没有独立的前端工程要构建，页面直接调 FastAPI 后端，这点在"前后端怎么分工"一节细说。

🕹️ 多功能对话：勾选 Agent，工具从哪来

多功能对话页（dialogue.py）是能力最全的一页。侧边栏有"工具设置"和"会话设置"两个标签页。

在"工具设置"里勾上"启用Agent"，选择工具下拉框立刻从后端拉回可用工具列表。只选一个工具时，页面会自动展开参数面板：整型参数给滑块，数字参数给滑块，其余给文本框，参数填完就能直接调用，不用手写 JSON。

同一个标签页还管图片对话：上传图片支持 bmp、jpg、png，旁边有"黏贴图像"按钮，截图直接 Ctrl+V 就能发给视觉模型。

会话切换不丢状态。新建、重命名、删除会话的操作都走chat_box，每换一次会话都会先存旧会话、再恢复新会话的历史，这是save_session和restore_session两个函数在背后做的。

🔍 RAG 对话：3 种模式与阈值怎么调

RAG 对话页（kb_chat.py）的侧边栏分"RAG 配置"和"会话设置"两个标签。"RAG 配置"里第一行是对话模式下拉框，三种可选：

• 知识库问答：从已建好的知识库检索
• 文件对话：上传临时文件，即时建库开问
• 搜索引擎问答：接互联网搜索兜底

下面是三处最常动的参数。匹配知识条数范围 1 到 20，控制塞进 prompt 的文本块数量；历史对话轮数范围 0 到 20，控制模型"记得"多久的上下文；知识匹配分数阈值是 0 到 2 的滑块，专门过滤不相关的块。

阈值怎么权衡？调高，回答更聚焦，但调过头可能一条都筛不掉；调低，召回多，噪音也多。拿不准时，勾选"仅返回检索结果"，跳过模型生成，直接看召回了哪些文本块——这是排查"答非所问"最快的办法。

🤖 Agent 与 MCP：让模型自己挑工具

多功能对话页勾选"启用Agent"后，还会出现"使用MCP"复选框。勾上它，模型除了用内置工具，还能调用你在 MCP 管理页配置的外部工具服务。

多工具同时勾选时，参数面板会收起，改为由模型自己决定调哪个工具、填什么参数——前提是模型本身有 Agent 能力，界面旁边的提示也写明了这点。

📚 知识库管理：建库前先定向量库类型

知识库管理页（knowledge_base.py）建库时要先选两样东西：向量库类型和 Embeddings 模型。前者决定存哪种数据库，后端kb_service/目录里对应 FAISS、ChromaDB、Milvus、Elasticsearch、PG 等多种实现；后者决定文本怎么变成向量，两者要配对使用。

页面还有"开启中文标题加强"的开关，适合以 Markdown 文档为主的知识库，能让切片带上更完整的中文标题信息。建完库做检索验证时，右侧的"匹配条数"滑块范围是 1 到 100，比对话页的 20 上限更宽，方便你压测不同top_k下的召回效果。

🌐 前后端怎么分工

WebUI 是个薄客户端：所有api.xxx调用都打向 FastAPI 服务，聊天、知识库、OpenAI 兼容接口分别落在 api_server/ 下的chat_routes.py、kb_routes.py、openai_routes.py。好处是一组 API 同时喂三类消费者：Streamlit 界面、FastAPI 文档页、Python SDK，你甚至可以只用 API 完全不用界面。

上手清单：跑起来之后先动这 3 个地方

1. 运行 WebUI，依次点左侧四个菜单，确认路由切换正常。
2. 进多功能对话，勾选"启用Agent"，看工具列表是否按你的配置加载。
3. 进 RAG 对话，把分数阈值从 0.3 一路拉到 1.0，观察召回条数如何变化。

回答质量不稳定时，优先检查 settings.py 里的DEFAULT_KNOWLEDGE_BASE、VECTOR_SEARCH_TOP_K和SCORE_THRESHOLD默认值；想搞清楚某个 Agent 工具的行为，直接进 tools_factory/ 看对应实现。

【免费下载链接】Langchain-ChatchatLangchain-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项目地址: https://gitcode.com/GitHub_Trending/la/Langchain-Chatchat