企业官网建设流程全解析

GPT Academic 技术指南：基于官方文档解析 gpt_academic 的安装、配置与插件化定制

【免费下载链接】gpt_academic为GPT/GLM等LLM大语言模型提供实用化交互接口，特别优化论文阅读/润色/写作体验，模块化设计，支持自定义快捷按钮&函数插件，支持Python和C++等项目剖析&自译解功能，PDF/LaTex论文翻译&总结功能，支持并行问询多种LLM模型，支持chatglm3等本地模型。接入通义千问, deepseekcoder, 讯飞星火, 文心一言, llama2, rwkv, claude2, moss等。项目地址: https://gitcode.com/GitHub_Trending/gp/gpt_academic

本篇基于 gpt_academic 仓库中的官方文档 docs/README.Italian.md（项目多语言 README 的意大利语版本，由项目自带的 GPT 翻译插件生成）展开，完整覆盖该文档中的核心内容：安装方式（直接运行、Docker、其他部署）、三层配置优先级机制、快捷键自定义与函数插件体系、版本演进与分支策略。读完后你可以独立完成该项目的部署，理解 config.py 的配置读取链路，并能为自己新增“学术快捷键”和功能插件。

一、项目定位与功能总览

GPT Academic（gpt_academic）是一个为 GPT/GLM 等大语言模型提供实用化交互接口的项目，针对论文阅读、润色、写作场景做了深度优化。从 docs/README.Italian.md 的功能矩阵来看，其核心能力可以归纳为以下几类：

该文档同时给出了一条重要实践提示：安装依赖时应选用requirements.txt中指定的版本，安装命令为：

pip install -r requirements.txt

项目自身的逐文件功能说明沉淀在 docs/self_analysis.md（自译解报告）中；此外项目还内置了一个"自我剖析"插件，可以调用 GPT 随时重新生成该报告。

二、安装方式一：直接运行（Windows / Linux / MacOS）

这是文档推荐的主安装路径，共四步。

1. 获取代码

git clone --depth=1 https://gitcode.com/GitHub_Trending/gp/gpt_academic.git cd gpt_academic

2. 配置 API_KEY 与其他参数

在 config.py 中填写 API 密钥及各项配置。该文件头部注释明确声明了配置的读取规则：

读取优先级：环境变量 > config_private.py > config.py

文档特别建议使用config_private.py管理私有配置：程序会先检查同目录下是否存在名为config_private.py的私有配置文件，并用其中的值覆盖config.py中的同名配置。推荐的实践是新建config_private.py，仅把改动过的配置项从config.py复制过去，避免把密钥混在公共配置里。

这一优先级在源码中得到直接印证。shared_utils/config_loader.py 中的read_single_conf_with_lru_cache按三级回退顺序取配置：

1. 先读环境变量（支持GPT_ACADEMIC_前缀或直接变量名，见 shared_utils/config_loader.py）；
2. 失败则importlib动态导入config_private模块取同名属性；
3. 再失败才回落到config模块的默认值。

值得注意的实现细节：环境变量值会参照config.py中同名默认值的类型进行转换——布尔值只接受字面量True/False，字典和列表用eval解析。这也解释了为什么 docker-compose.yml 中的环境变量要写成字符串化的 Python 字面量（如AVAIL_LLM_MODELS: ' ["gpt-3.5-turbo", "gpt-4"] '）。

另一个来自文档的实用技巧：当需要临时替换API_KEY 时，无需改配置文件，直接在聊天输入区粘贴新的API_KEY值并按回车即可生效（该提示同样出现在 shared_utils/config_loader.py 的启动日志中）。

3. 安装依赖

# 方案一：直接使用 pip（要求 python >= 3.9） python -m pip install -r requirements.txt # 网络不佳时可临时更换镜像源： # python -m pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/ # 方案二：使用 Anaconda 建立独立环境 conda create -n gptac_venv python=3.11 conda activate gptac_venv python -m pip install -r requirements.txt

如果还要启用本地模型后端（清华 ChatGLM2 / 复旦 MOSS / RWKV Runner），需要额外安装对应依赖，前提是具有 Python + PyTorch 基础与较高端显卡：

# 可选步骤一：支持清华 ChatGLM2 python -m pip install -r request_llms/requirements_chatglm.txt # 可选步骤二：支持复旦 MOSS python -m pip install -r request_llms/requirements_moss.txt git clone --depth=1 https://github.com/OpenLMLab/MOSS.git request_llms/moss # 在项目根目录下执行 # 可选步骤三：确保 config.py 的 AVAIL_LLM_MODELS 包含所需模型 AVAIL_LLM_MODELS = ["gpt-3.5-turbo", "api2d-gpt-3.5-turbo", "gpt-4", "chatglm", "moss", "jittorllms_rwkv", "jittorllms_pangualpha", "jittorllms_llama"]

文档还给出了一条 ChatGLM2 排错经验：若报错"无法加载 ChatGLM 参数"，(1) 默认安装的是 torch+CPU 版，要用 CUDA 需卸载后重装 torch+CUDA 版；(2) 显存不足时可把 request_llms/bridge_chatglm.py 中AutoTokenizer.from_pretrained("THUDM/chatglm-6b", ...)换成chatglm-6b-int4量化版本。

4. 启动

python main.py

启动后会通过 Gradio 拉起 Web 界面，浏览器可直接访问。界面布局由 config.py 的LAYOUT控制："LEFT-RIGHT"（左右布局）或"TOP-DOWN"（上下布局），切换后重启程序即可。

三、安装方式二：Docker 部署

Docker 路径面向希望免本地环境搭建的用户。docker-compose.yml 内预置了多套部署方案，文档说明的用法是：只保留你要的方案、删掉其余方案，然后执行docker-compose up。

从 docker-compose.yml 可见其端口暴露的两种机制：

• 方法一（Linux）：network_mode: "host"与宿主机网络融合，默认配置；
• 方法二（全平台）：端口映射ports: - "12345:12345"，注意宿主机端口必须与容器内WEB_PORT环境变量一致。

方案二中若要使用 GPU，需开启被注释的 Nvidia 显卡运行时配置（runtime: nvidia或deploy.resources.reservations.devices），并把LOCAL_MODEL_DEVICE设为cuda。文档另提示：如需 LaTeX 插件能力，可直接使用方案零或方案四的镜像。

对应的 Dockerfile 构建配方在仓库 docs/ 目录下以GithubAction+*系列文件组织，例如 docs/GithubAction+NoLocal 对应方案一的无本地模型镜像。

四、安装方式三：其他部署选项

文档还列出了若干补充部署途径：

1. Windows 一键脚本：不熟悉 Python 环境时，可从项目 Release 页面下载由 oobabooga 提供的一键执行脚本，安装不含本地模型的版本；
2. 第三方 API 接入：Azure、文心、讯飞星火等第三方 API 的配置方法参见 wiki 的"项目配置说明"（仓库中 docs/models/ 目录提供了 OpenAI、Azure、中转 API、本地模型等模型接入文档，如 docs/models/azure.md）；
3. 云服务器远程部署：参见 wiki 的云服务器部署指南（仓库内对应 docs/deployment/cloud_deploy.md）；
4. 其他平台/方式：Sealos 一键部署、WSL2 部署、以及通过 FastAPI 让服务运行在子路径（如http://localhost/subpath）下——子路径方式详见 docs/WithFastapi.md，配合 config.py 的CUSTOM_PATH选项实现。

五、关键配置项速览

结合 config.py 源码，与文档描述最相关的核心配置项如下（均可被环境变量或config_private.py覆盖）：

此外，API_URL_REDIRECT可用于把 OpenAI API 地址重定向到自建反代（文档标注为高危设置，常规不要修改）；check_proxy.py 是项目自带的代理连通性自检脚本。

六、进阶用法一：自定义学术快捷键

这是文档"Advanced Usage"的核心内容。打开 core_functional.py，在get_core_functions()返回的字典中追加一个条目，重启程序即可生成新按钮；若按钮已存在，仅修改前缀/后缀文案可热更新，无需重启。

"高级中-英翻译": { # 前缀：加在你的输入之前。例如描述你的要求（翻译、解释代码、润色等） "Prefix": "请把下列文本翻译成中文，并用 markdown 表格逐一解释其中使用的技术术语:\n\n", # 后缀：加在你的输入之后。例如配合前缀把输入内容用引号圈起来 "Suffix": "", },

从 core_functional.py 的现有实现可以看到，每个按钮完整支持七个可选字段：

• Prefix/Suffix：包裹用户输入的首尾提示词（必填）；
• Color：按钮颜色（primary/secondary/stop，对应主题中的色板，可选，默认 secondary）；
• Visible：按钮是否可见（默认 True）；
• AutoClearHistory：触发时是否清空历史对话（默认 False）；
• PreProcess：文本预处理函数（默认 None，例如可写函数去除换行符）；
• ModelOverride：强制该按钮使用指定模型（默认沿用全局模型）。

仓库中已内置的"学术语料润色""总结绘制脑图"（自动生成 mermaid flowchart）、"查找语法错误"等按钮均是这一机制的实例——脑图按钮的 Suffix 甚至内嵌了一段完整的 mermaid 提示词模板（见 core_functional.py）。

七、进阶用法二：函数插件体系

文档将"模块化设计、支持热更新插件"列为项目卖点之一，并指引读者查阅插件开发指南（仓库内对应 docs/customization/plugin_development.md）。插件开发只需 Python 基础知识，模板位于 crazy_functions/plugin_template/plugin_class_template.py，项目内置插件则分布在crazy_functions/目录下，例如：

• crazy_functions/Latex_Function.py：LaTeX 翻译/校对；
• crazy_functions/Arxiv_Downloader.py：Arxiv 论文下载与翻译；
• crazy_functions/PDF_Translate.py：PDF 全文多线程翻译；
• crazy_functions/Void_Terminal.py："虚空终端"——用自然语言理解用户意图并自动调用其他插件（文档示例：输入"调用插件翻译一篇 PDF 文档，地址是 ..."，再点击"虚空终端"按钮）；
• 插件注册入口为 crazy_functional.py。

界面中只有高亮的插件按钮支持读取文件；部分插件收在插件区的下拉菜单中。新插件一律通过 pull request 合入。

八、多语言机制：multi_language.py 与本文档的来历

docs/README.Italian.md 开头声明其由 GPT（项目自带插件）翻译而成、"并非 100% 可靠"，这正对应 multi_language.py 的能力：用 LLM 把整个项目的字符串翻译成任意语言。其工作流（见文件头注释）：

1. 在config.py配好LLM_MODEL与API_KEY；
2. 修改脚本中的LANG（如"English"）与对应的TransPrompt翻译指令；
3. 运行python multi_language.py；由于 GPT 偶有错误，需要多次运行以提高覆盖率，也可用CACHE_ONLY=True python multi_language.py仅使用缓存映射；
4. 翻译结果保存在multi-language/<语言>/目录，翻译映射缓存于docs/translation_*.json（仓库中已沉淀了 docs/translate_english.json、docs/translate_japanese.json 等映射文件）。

multi_language.py内部还实现了文件级 LRU 缓存装饰器lru_file_cache（见 multi_language.py），避免重复请求相同文本。这也解释了 README 中"上面看到过 5 种语言的 README"这句话——多语言 README 正是该脚本的产物。

九、版本演进与分支策略

文档给出了 1.0 → 3.70(todo) 的完整版本线，关键节点：

• 2.0：引入模块化插件；2.2：插件支持热重载；2.4：PDF 翻译、布局上下互换、多线程插件优化；
• 3.0：支持 ChatGLM 等小参数 LLM；3.1：多 GPT 模型并发问询、多 apikey 负载均衡、api2d 支持；
• 3.4：arXiv 文档翻译与 LaTeX 文档校对；3.44：官方支持 Azure；3.49：百度千帆与文心一言；3.50："虚空终端"以自然语言调用全部插件功能、插件分类；
• 3.57：GLM3/星火 v3/文心 v4 支持与本地模型并发 bug 修复；3.60：引入 AutoGen 作为新一代插件基础；
• 3.70（todo）：AutoGen 主题展示优化与配套插件开发。

需要说明的是，仓库根目录的版本标记文件 version 当前为 4.00（附新特性说明"优化文件对话使用逻辑、新增速读论文"），即该意大利语文档所记录的版本线略早于仓库当前版本，阅读版本历史时以实际 docs/reference/changelog.md 为准。

分支策略方面，文档明确两个分支：master（稳定版）与frontier（开发测试版）。

十、已知问题与注意事项

文档在结尾列出的已知问题值得在部署前了解：

1. 部分浏览器翻译插件会干扰本软件前端运行，访问页面时建议关闭；
2. Gradio 官方 app 存在兼容性 bug，建议通过requirements.txt安装 Gradio 而非另行 pip 安装；
3. 界面主题通过 config.py 的THEME修改，文档点名的Chuanhu-Small-and-Beautiful主题与当前 config.py 的AVAIL_THEMES一致。

小结

以 docs/README.Italian.md 为骨架可以完整勾勒出 gpt_academic 的使用主线：三种安装路径（pip install -r requirements.txt+python main.py直跑、docker-compose up多方案镜像、一键脚本/云部署）覆盖从个人到服务器的部署场景；三层配置优先级（环境变量 >config_private.py>config.py）由 shared_utils/config_loader.py 严格实现，是理解其 Docker 环境变量写法的关键；快捷键与插件两级扩展机制（core_functional.py 字典配置 +crazy_functions/插件类）则保证了"按钮即提示词、插件即能力"的模块化设计落地。想进一步深入，可依次阅读 docs/get_started/quickstart.md、docs/customization/plugin_development.md 与 docs/self_analysis.md。

【免费下载链接】gpt_academic为GPT/GLM等LLM大语言模型提供实用化交互接口，特别优化论文阅读/润色/写作体验，模块化设计，支持自定义快捷按钮&函数插件，支持Python和C++等项目剖析&自译解功能，PDF/LaTex论文翻译&总结功能，支持并行问询多种LLM模型，支持chatglm3等本地模型。接入通义千问, deepseekcoder, 讯飞星火, 文心一言, llama2, rwkv, claude2, moss等。项目地址: https://gitcode.com/GitHub_Trending/gp/gpt_academic