使用教程

安装教程
使用教程
功能说明

安装教程

在 Hugging Face 上在线部署（最方便）

访问本项目的 Hugging Face页面，填入你的API-Key后，就可以直接和ChatGPT对话！无需注册无需代码，这是免费的。

您可以直接使用我的空间，这样能实时享受到最新功能。

Hugging Face的优点：免费，无需配置代理，部署容易（甚至不需要电脑）。
Hugging Face的缺点：不支持某些界面样式和效果，可能未使用最新的项目代码。

复制Space

您也可以将项目复制为私人空间里使用，这样App反应可能会快一点。

注册Hugging Face账户后，只需点击 Hugging Face Space 右上角的 Duplicate Space （复制空间），新建一个私人空间，然后就直接可以在私人空间中使用啦！放心，这也是免费的。

设置Space

复制Space时，你将会看到一条类似这样的提示：

This Space has 2 environment variables that might be needed to work correctly.
You can add those 2 secrets in your Space settings: HIDE_LOCAL_MODELS LANGUAGE

你可以忽略这条提示，直接继续在你的私人空间中使用 川虎Chat。但事实上，如提示所写的那样，我们提供了填写环境变量来配置 川虎Chat 而无需编辑项目代码的方式。

如果你已经复制了Space，你可以在Space的Settings页面找到 Repository secrets 这一栏，按下述指引新建并填写Secret：

OPENAI_API_KEY
用于设置你的OpenAI API-Key，这样无需每次手动输入API-Key。通过这种方式设置，你的Key不会被泄漏。
OPENAI_API_BASE
用于设置 OpenAI API 的基础 URL，默认为 api.openai.com。你可以将其设置为你自己修改部署的 API 地址。
LANGUAGE
用于设置Space的语言，默认为英语。设置为 zh_CN 以显示中文，ja_JP 以显示日文，en_US 以显示英语。
USAGE_LIMIT
用于设置 ChatGPT 显示额度与用量时的上限，单位为美元，默认为120。
HIDE_LOCAL_MODELS
设置为 true 将会隐藏本地模型。这是因为本地模型会消耗非常多的资源，免费版的CPU Space可能不够用。然而，经过实际测试，ChatGLM-6B-int4 可以在免费Space中跑起来，但速度非常慢（1-2秒一个字）。

本地部署

下载本项目

推荐使用 git 下载安装和更新本项目。
```
git clone https://github.com/GaiZhenbiao/ChuanhuChatGPT.git
cd ChuanhuChatGPT
```
什么是 git？怎么用 git 安装本项目？
- 如果你不了解 git，可以查看 git是什么?、git 简明指南。
- 如果您使用 Windows 系统，您可以从这个下载页面下载 git；对于 macOS 和 Linux 用户，您的系统中应该已经内置了git。
对于 Windows 用户，在您想要安装本程序的父文件夹中右键单击 Git Bash Here；

对于 macOS 用户，可以打开您想要安装本程序的父文件夹，在 Finder 底部的路径栏中右键当前文件夹，选择服务-新建位于文件夹位置的终端标签页。

在命令行窗口中输入
```
git clone https://github.com/GaiZhenbiao/ChuanhuChatGPT.git
```
按回车键，等待下载完成;
继续输入
```
cd ChuanhuChatGPT
```
回车，此时进入了项目文件夹。
现在，您已经完成本步（下载本项目）的所有操作，可以进一步进行下一步操作（安装依赖）。
~~或：从zip安装本项目~~（不推荐）

如果您希望尝试使用本程序但毫无 git clone 经验，那么，也可以选择本方法。但要注意，使用zip下载安装脚本不包含git信息，将无法正确检查更新。

点击网页右上角的 Download ZIP，下载并解压完成后进入文件夹，进入终端或命令提示符。
如何在文件夹中进入终端或命令提示符?
- 如果你使用Windows，应该在文件夹里按住shift右键，选择“在终端中打开”。如果没有这个选项，选择“在此处打开Powershell窗口”。
- 如果你使用macOS，可以在Finder底部的路径栏中右键当前文件夹，选择服务-新建位于文件夹位置的终端标签页。
安装依赖

在终端中输入下面的命令，然后回车。如果命令报错，请试试pip3。请确保您已经安装Python，并且已经将pip加入环境变量。
```
pip install -r requirements.txt
```
如果下载慢，可以尝试为Pypi 配置豆瓣源，或者科学上网。

如果你还想使用本地运行大模型的功能，请再执行下面的命令：
```
pip install -r requirements_advanced.txt
```
- 如果您希望在Windows上使用本地大模型功能，建议通过WSL，在Linux上安装 川虎Chat。如果您不想只用CPU跑大模型，请先安装CUDA。
- 关于本地运行大模型的功能，具体请参见：使用本地LLM模型。
填写项目配置

您也可以略过本步骤，在第四步启动后直接在图形界面中填写您的API密钥。不过，如果您为自己或熟人部署 川虎Chat，我们建议您在这一步设定默认密钥、用户名密码以及更多设置。这样设置的密钥以及其他设置项可以在拉取项目更新之后保留。

在项目文件夹中复制一份 config_example.json，并将其重命名为 config.json，在其中填入 API-Key、用户名密码（可选）、API host（可选）、代理地址（可选）等设置。用户名密码支持多用户。示例：
```
{
   "openai_api_key": "sk-xxxxxxxxxxxxxxxxxxxxxxxxx",
   "users": [
      ["用户1的用户名", "用户1的密码"],
      ["用户2的用户名", "用户2的密码"]
   ],
}
```
- 如果不设置用户名与密码，可以直接将"users"字段整段删去，或留空为 "users": [],
启动

请使用下面的命令。取决于你的系统，你可能需要用python或者python3命令。请确保你已经安装了Python。
```
python ChuanhuChatbot.py
```

如果一切顺利，现在，你应该已经可以在浏览器地址栏中输入 http://localhost:7860 查看并使用 川虎Chat 了。

如果你在安装过程中碰到了问题，请先查看疑难杂症解决页面。

如果您已经有下载好的本地模型，请将它们放在models文件夹下面（文件名中需要包含llama/alpaca/chatglm等相应关键字），LoRA模型们则需要放在lora文件夹下。

关于本地运行大模型的功能，具体请参见：使用本地LLM模型。

使用 Docker 部署

如果觉得手动部署比较麻烦，我们提供了 Docker 镜像，可以直接运行。

Docker 镜像没有包含本地模型。若要使用本地模型，请参考安装本地模型所需的依赖。

创建文件夹

创建存放 ChuanhuChatGPT 配置和聊天记录的文件夹，例如 ~/ChuanhuChatGPT。
```
mkdir ~/ChuanhuChatGPT
mkdir ~/ChuanhuChatGPT/history
```

拉取镜像并获取配置文件

docker run --rm tuchuanhuhuhu/chuanhuchatgpt:latest \
cat /app/config_example.json > ~/ChuanhuChatGPT/config.json

根据需求修改配置文件

配置文件位于 ~/ChuanhuChatGPT/config.json。请根据需求修改配置文件。配置文件的详细说明请参考本地部署。

运行 Docker 容器

docker run -d --name ChuanhuChat \
	-v ~/ChuanhuChatGPT/history:/app/history \
	-v ~/ChuanhuChatGPT/config.json:/app/config.json \
	-p 7860:7860 \
	tuchuanhuhuhu/chuanhuchatgpt:latest

注：请根据配置文件实际情况修改 -v 和 -p 参数。

查看容器运行状态

docker logs -f chatgpt

修改配置文件

您可以改变 ~/ChuanhuChatGPT/config.json 中的配置，然后重启容器使配置生效。

docker restart ChuanhuChat

安装本地模型所需的依赖

本地模型所需的依赖占用空间较大（> 5GB），考虑到镜像体积，镜像中默认没有安装。如果您需要使用本地模型，请先按上述教程运行容器。然后通过以下命令进入容器：

docker exec -it ChuanhuChat /bin/bash

然后进入 /app 目录，执行以下命令安装依赖：

pip install -r requirements_advanced.txt

关于本地运行大模型的功能，具体请参见：使用本地LLM模型。

自行构建镜像

您可通过修改项目根目录下的 Dockerfile 来自定义容器镜像。然后执行以下命令构建镜像：

docker build -t chuanhuchatgpt:latest .

远程部署

这一部分会教你如何在公网服务器部署本项目。

部署到公网服务器

在 config.json 中设置

{
   ...
   "server_name": "0.0.0.0", 
   "server_port": <你的端口号>,
   ...
}

注意将<你的端口号>替换为实际的端口号。

配置 Nginx 反向代理

注意：配置反向代理不是必须的。如果需要使用域名，则需要配置 Nginx 反向代理。如果你碰到了网页右上角提示Connection Error的问题，也可以尝试通过配置Nginx反向代理解决。

又及：目前配置认证后，Nginx 必须配置 SSL，否则会出现 Cookie 不匹配问题。

添加独立配置文件：

server {
	listen 80;
	server_name /域名/;   # 请填入你设定的域名
	access_log off;
	error_log off;
	location / {
		proxy_pass http://127.0.0.1:7860;   # 注意端口号
		proxy_redirect off;
		proxy_set_header Host $host;
		proxy_set_header X-Real-IP $remote_addr;
		proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
		proxy_set_header Upgrade $http_upgrade;		# Websocket配置
		proxy_set_header Connection $connection_upgrade;		#Websocket配置
		proxy_max_temp_file_size 0;
		client_max_body_size 10m;
		client_body_buffer_size 128k;
		proxy_connect_timeout 90;
		proxy_send_timeout 90;
		proxy_read_timeout 90;
		proxy_buffer_size 4k;
		proxy_buffers 4 32k;
		proxy_busy_buffers_size 64k;
		proxy_temp_file_write_size 64k;
	}
}

修改nginx.conf配置文件（通常在/etc/nginx/nginx.conf），向http部分添加如下配置：（这一步是为了配置websocket连接，如之前配置过可忽略）

map $http_upgrade $connection_upgrade {
  default upgrade;
  ''      close;
  }

为了同时配置域名访问和身份认证，需要配置SSL的证书，可以参考这篇博客一键配置。

全程使用 Docker 为本程序开启HTTPS

如果你的VPS 80端口与443端口没有被占用，且您倾向于使用 Docker，则可以考虑如下的方法，只需要将你的域名提前绑定到你的VPS 的IP即可。此方法由@iskoldt-X 提供。

首先，运行nginx-proxy

docker run --detach \
    --name nginx-proxy \
    --publish 80:80 \
    --publish 443:443 \
    --volume certs:/etc/nginx/certs \
    --volume vhost:/etc/nginx/vhost.d \
    --volume html:/usr/share/nginx/html \
    --volume /var/run/docker.sock:/tmp/docker.sock:ro \
    nginxproxy/nginx-proxy

接着，运行acme-companion，这是用来自动申请TLS 证书的容器

docker run --detach \
    --name nginx-proxy-acme \
    --volumes-from nginx-proxy \
    --volume /var/run/docker.sock:/var/run/docker.sock:ro \
    --volume acme:/etc/acme.sh \
    --env "DEFAULT_EMAIL=你的邮箱（用于申请TLS 证书）" \
    nginxproxy/acme-companion

最后，运行我们提供的 Docker 镜像。

docker run -d --name chatgpt \
	-v ~/ChuanhuChatGPT/history:/app/history \
        -v ~/ChuanhuChatGPT/config.json:/app/config.json \
	-e VIRTUAL_HOST=你的域名 \
	-e VIRTUAL_PORT=7860 \
	-e LETSENCRYPT_HOST=你的域名 \
	tuchuanhuhuhu/chuanhuchatgpt:latest

如此即可为川虎Chat 实现自动申请 TLS 证书并且开启 HTTPS。

使用教程

自动更新

如果您使用Linux和macOS，则可以通过本项目提供的脚本检测仓库是否有更新，如果有，则拉取最新脚本、安装依赖、重启服务器。

对应您的系统，您只需要运行run_Linux.sh或者run_macOS.command即可。如果你还想始终保持最新版本，可以定时运行脚本。例如，在crontab中加入下面的内容：

*/20 * * * * /path/to/ChuanhuChatGPT/run_Linux.sh

就可以每20分钟检查一次脚本更新，如果有更新，则自动拉取并重启服务器。

手动更新

首先，获取最新的项目代码：
- （若您之前使用git安装）使用git拉取最新的代码：
```
git stash && git pull https://github.com/GaiZhenbiao/ChuanhuChatGPT.git main -f && git stash pop
```
- （若您之前使用zip安装）：
  1. 点击网页上的 Download ZIP 下载最新代码并解压，
  2. 备份您原项目文件夹中的config.json,
  3. 使用新下载的文件夹替换原项目文件夹，
  4. 将备份的config.json放入新的项目文件夹中。
然后，再次安装依赖（可能本项目引入了新的依赖，或改变了依赖版本）：
```
pip install -r requirements.txt
```
如果运行程序无报错，继续使用即可。如果此时运行报错，您可能还需要更新一部分依赖：
```
pip install -r requirements.txt --upgrade
```

配置 `config.json`

设置用户登录密码

在config.json文件中的user字段，按照[[用户名1, 密码1], [用户名2, 密码2], [用户名3, 密码3], ...]的方式设定多个用户。

多用户示例：

{
    ...
    "users": [
        ["admin", "p@ssW0rd"],
        ["nobody", "123456"]
    ],
    ...
}

单个用户示例：

{
    ...
    "users": [["openai", "isCloseAi"]],
    ...
}

若不设置用户名与密码，可以直接将"users"字段整段删去，或留空设置为：

{
    ...
    "users": [],
    ...
}

设置语言

{
    ...
    "language": "auto",
    ...
}

"auto": 自动检测系统环境语言
"zh_CN": 中文
"en_US": English
"ja_JP": 日本語

Note

We would greatly appreciate it if you could help contribute a translation. Please refer to Localization page for more information.

未登录时隐藏历史对话记录

{
   ...
    "hide_history_when_not_logged_in": true
   ...
}

true: 未登录时隐藏历史对话记录
false: 未登录时显示历史对话记录（默认值）

如果多人使用，我们更建议您为每个用户分别设置用户名和登录密码，此时每个用户的历史记录是独立的，不会相互影响，能够较好地保护隐私。

如果您不想设置用户名和密码，可以将 "hide_history_when_not_logged_in" 设置为 true，这样将不再展示对话历史记录列表。不过，对于多人使用，我们并不推荐这种方法。

配置检查更新

{
   ...
   "check_update": true, //是否启用检查更新
   ...
}

true: 启用检查更新（默认值）
false: 禁用检查更新，同时UI中也不再显示检查更新按钮

设置 LaTeX 渲染参数

从 20230709 版本开始，您可以在 config.json 中设定 LaTeX 的渲染参数：
```
{
    ...
    "latex_option": "default", // latex 公式显示方式，可选"default", "strict", "all"或者"disabled"
    ...
}
```
- default: 渲染 $...$ 或 $...$ 形式的行内代码，渲染 $$...$$ 或 \[...\] 形式的行间代码（默认值）；
- strict: 在 default 基础上禁用 $...$ 渲染行间代码；
- all: 在 default 基础上还支持渲染 \begin{equation}...\end{equation}、\begin{align}...\end{equation}等环境；
- disabled: 不渲染任何形式的 LaTeX 公式。
在 20230614 至 20230628 版本中，因为 gradio 的更新，默认渲染LaTeX，且不再提供关闭选项。
在 20230601 以及更早的版本中，您可以在 config.json 中设定是否开启LaTeX渲染。默认开启。
```
{
   ...
   // 是否渲染LaTeX
   "render_latex": true,
   ...
}
```
需要注意的是，由于$符号比较常用，在许多地方可能会被错误地渲染为行内公式。因此，请谨慎地开启该功能。

使用川虎助理与川虎助理Pro

川虎助理（Pro） 经过特殊配置，可以达到类似 Auto-GPT 与 ChatGPT Browser 的效果。在模型列表中选择之后，就可以让它帮你上网查资料、去Arxiv上翻论文、用Wolfram解方程，等等。

川虎助理 能够检索互联网信息，但能力有限。
川虎助理Pro 会调用谷歌自定义搜索引擎、SerpApi 与 Wolfram Alpha 的API，以达到更好的效果。
您需要自行申请并在 config.json 中按照注释填写这些 API Key。
相比 GPT-3.5，设置川虎助理使用 GPT-4 可以达到更好的效果。

{
    ...
    "default_chuanhu_assistant_model": "gpt-4", //川虎助理使用的模型，可选gpt-3.5-turbo或者gpt-4
    "GOOGLE_CSE_ID": "", //谷歌搜索引擎ID，用于川虎助理Pro模式，获取方式请看 https://stackoverflow.com/questions/37083058/programmatically-searching-google-in-python-using-custom-search
    "GOOGLE_API_KEY": "", //谷歌API Key，用于川虎助理Pro模式
    "WOLFRAM_ALPHA_APPID": "", //Wolfram Alpha API Key，用于川虎助理Pro模式，获取方式请看 https://products.wolframalpha.com/api/
    "SERPAPI_API_KEY": "", //SerpAPI API Key，用于川虎助理Pro模式，获取方式请看 https://serpapi.com/
    ...
}

注意，使用自主运行模型会耗费大量token，尤其当您使用GPT-4作为基准模型时，可能会产生相当昂贵的花销。请您务必监控和管理自己的token使用和相关成本，防止意外收费。

使用 XMChat

通过等候列表提交试用申请
部署 川虎Chat 后在模型列表中选择 XMChat，并填入您的 XMChat API-Key
在“上传索引文件”栏中上传图片，等待图片上传完成后，即可开始聊天。

使用 MiniMax

谢谢你，@noahzark! （#774）

申请 MiniMax API。
从 MiniMax 获取 API Key（不包含"Bearer "前缀）和 Group ID，填写在config.json中。
现在你可以使用 MiniMax 了！支持对话、System Prompt、调节常见参数（n_choices, max_generation_token, top_p, temperature）

使用本地 LLM 模型

以下的介绍默认您对计算机与环境配置有一定了解。这里以本地部署为例进行介绍。

部署并使用本地大语言模型进行对话对计算机配置有比较高的要求。您可以到每个开源模型的Github介绍页查看具体的最低配置。一般而言，若要使用本功能，您可能至少需要：

20GB 或更多磁盘空间（下载模型时请确保您有足够的磁盘空间）
8GB 或更高的GPU显存（某些模型可能需要在专业图形卡上运行）

如果您使用Windows，请通过 WSL 在 Linux 上安装 川虎Chat，否则很可能无法正常安装 DeepSpeed 等多个依赖。

配置环境

为了避免该项目与您的其他机器学习项目环境冲突，我们建议首先创建一个虚拟环境（您需要先安装 Anaconda 或 Miniconda）：

conda create -n ChuanhuChat python=3.10
conda activate ChuanhuChat

然后，安装依赖：

pip install -r requirements.txt
pip install -r requirements_advanced.txt

下载与安装可能会持续比较久的时间，您需要确保网络状态的稳定。

另外，一般而言，如果您准备使用 GPU 运行这些大语言模型，您还应当安装CUDA Toolkit。

下载模型

如果环境顺利配置，您现在应当能成功在浏览器中启动 川虎Chat。不过，大语言模型必须先加载到您的计算机本地才能使用。

为方便用户使用，我们提供了自动下载模型的功能。当您在模型下拉列表中选取大语言模型时，程序将自动从对应的Hugging Face模型仓库中下载模型文件，这些模型将会被存储在 ~/.cache/huggingface 文件夹中。

默认自动下载的 StableLM 模型为 StableLM-Tuned-Alpha-7B
默认自动下载的 MOSS 模型为 MOSS-Moon-003-SFT

您也可以手动下载并管理模型文件。首先确保您已经安装 git-lfs。我们默认您的终端位于项目文件夹。

cd models
git lfs install
git clone <model repository>

对应具体的大语言模型，第三行可以被分别替换为：

ChatGLM
- ChatGLM-6B
  git clone https://huggingface.co/THUDM/chatglm-6b
- ChatGLM-6B-INT8
  git clone https://huggingface.co/THUDM/chatglm-6b-int8
- ChatGLM-6B-INT4
  git clone https://huggingface.co/THUDM/chatglm-6b-int4
StableLM
- StableLM-Base-Alpha-3B
  git clone https://huggingface.co/stabilityai/stablelm-base-alpha-3b
- StableLM-Base-Alpha-7B
  git clone https://huggingface.co/stabilityai/stablelm-base-alpha-7b
- StableLM-Tuned-Alpha-3B
  git clone https://huggingface.co/stabilityai/stablelm-tuned-alpha-3b
- StableLM-Tuned-Alpha-7B
  git clone https://huggingface.co/stabilityai/stablelm-tuned-alpha-7b
LLaMA
- LLaMA-7B-HF
  git clone https://huggingface.co/decapoda-research/llama-7b-hf
- LLaMA-13B-HF
  git clone https://huggingface.co/decapoda-research/llama-13b-hf
- LLaMA-33B-HF
  git clone https://huggingface.co/decapoda-research/llama-33b-hf
- LLaMA-65B-HF
  git clone https://huggingface.co/decapoda-research/llama-65b-hf
MOSS
- MOSS-Moon-003-Base
  git clone https://huggingface.co/fnlp/moss-moon-003-base
- MOSS-Moon-003-SFT
  git clone https://huggingface.co/fnlp/moss-moon-003-sft
- MOSS-Moon-003-SFT-Plugin
  git clone https://huggingface.co/fnlp/moss-moon-003-sft-plugin

对于 LLaMA 模型，您还可以手动下载微调的 LoRA 模型，只要将模型文件夹放置在本项目的 lora 文件夹下即可。

这里提供了一些 LoRA 模型。
当然，您还可以使用其他开源的 LoRA 模型，如 Baize-lora-7B，甚至是您自己训练的LoRA模型~

故障排除

./build_bundled.sh: Line 19: cmake: command not found

需要先安装CMake。

RuntimeError: Library cudart is not initialized

需要先安装CUDA Toolkit

Tokenizer class LLaMATokenizer does not exist or is not currently imported.

参见：#655

Failed to connect to github.com port 443 after xxxx ms

需要使用一些手段使你能稳定连接github。如果你使用WSL，注意WSL的网络可能也需要特殊配置使其能稳定连接github。

功能说明

额度显示

可以在 config.json 中设定额度上限。单位为美元，默认值为120。

{
   ...
   "usage_limit": 20,
   ...
}

如果您需要在 Hugging Face 的 Space 中设置，对应的 Secret 为 USAGE_LIMIT。

模型选择

ChatGPT

这里的数据来自 OpenAI 的理论值，不过，实际体验可能被限制，某些模型可能无法调用。

LATEST MODEL	DESCRIPTION	MAX TOKENS	TRAINING DATA
gpt-3.5-turbo	Most capable GPT-3.5 model and optimized for chat at 1/10th the cost of text-davinci-003. Will be updated with our latest model iteration.	4,096 tokens	Up to Sep 2021
gpt-3.5-turbo-0301	Snapshot of gpt-3.5-turbo from March 1st 2023. Unlike gpt-3.5-turbo, this model will not receive updates, and will be deprecated 3 months after a new version is released.	4,096 tokens	Up to Sep 2021
gpt-4	More capable than any GPT-3.5 model, able to do more complex tasks, and optimized for chat. Will be updated with our latest model iteration.	8,192 tokens	Up to Sep 2021
gpt-4-0314	Snapshot of gpt-4 from March 14th 2023. Unlike gpt-4, this model will not receive updates, and will be deprecated 3 months after a new version is released.	8,192 tokens	Up to Sep 2021
gpt-4-32k	Same capabilities as the base gpt-4 mode but with 4x the context length. Will be updated with our latest model iteration.	32,768 tokens	Up to Sep 2021
gpt-4-32k-0314	Snapshot of gpt-4-32 from March 14th 2023. Unlike gpt-4-32k, this model will not receive updates, and will be deprecated 3 months after a new version is released.	32,768 tokens	Up to Sep 2021

本地大模型

详见：使用本地 LLM 大模型。

实时传输回答

开启实时传输回答	关闭实时传输回答

单轮对话

勾选“单轮对话”后，模型将不记住上下文对话，仅对您本次发送的内容进行回复。

联网搜索回答

需要勾选“使用在线搜索”。

启用后，将使用 Google 或 Duckduckgo 检索网络信息再返回回答，能达到类似于 New Bing 的效果。视能检索到的互联网信息的丰富与准确与否，回答效果较原来可能有所提升。

由于搜索引擎公司的反爬虫技术，这项功能可能不够稳定。如有更多需要联网信息的需要，可以使用川虎助理。
该功能可能需要耗费更多的token。

根据文件回答

需要先在“模型”选项卡的“上传”区上传文件。支持 PDF、txt、docx 等格式。

上传后，将对本地文件进行索引，模型将针对文件内容进行回答。当您已经上传并索引完成一个文件后，且您没用清除本项目的缓存，若您在之后重新试图上传该文件，本程序将自动寻找并使用之前的索引，不会重复索引。

索引功能可能需要耗费更多的token。

选择回复语言（针对搜索&索引功能）

需要注意，回复语言的选择只针对联网搜索和根据文件回答功能，普通的对话并不能设定回复语言（除非您在System Prompt中自己写入）。

对话气泡按钮

和用于在模型原始输出文本和markdown渲染文本之间切换。

用于复制本条对话模型输出的原始文本。

高级参数

请参考 OpenAI 的文档。

网络设置

这是 川虎Chat 的 wiki 页面~ 查看主页

使用教程

安装教程

在 Hugging Face 上在线部署（最方便）

复制Space

设置Space

本地部署

使用 Docker 部署

查看容器运行状态

修改配置文件

安装本地模型所需的依赖

自行构建镜像

远程部署

部署到公网服务器

配置 Nginx 反向代理

全程使用 Docker 为本程序开启HTTPS

使用教程

自动更新

手动更新

配置 config.json

设置用户登录密码

设置语言

未登录时隐藏历史对话记录

配置检查更新

设置 LaTeX 渲染参数

使用 川虎助理 与 川虎助理Pro

使用 XMChat

使用 MiniMax

使用本地 LLM 模型

配置环境

下载模型

故障排除

功能说明

额度显示

模型选择

ChatGPT

本地大模型

实时传输回答

单轮对话

联网搜索回答

根据文件回答

选择回复语言（针对搜索&索引功能）

对话气泡按钮

高级参数

网络设置

Clone this wiki locally

配置 `config.json`

使用川虎助理与川虎助理Pro