1. 项目概述为什么一个“本地知识库”值得你花三小时部署Langchain-Chatchat 不是又一个玩具级聊天框它是目前中文开源生态里唯一把“私有知识库问答”这件事真正做通、做稳、做到能塞进企业内网角落跑三年不掉链子的完整方案。我去年在给一家医疗器械公司做合规文档系统时试过 Dify、RAGFlow、甚至自己用 LangChain 搭了七版原型——最后全推倒就因为 Chatchat 的kb -r命令能一次性把 237 份 PDF含扫描件 OCR 文本、41 个 Excel 表格、19 个 Word 技术规范全部切片、向量化、建索引、写入 FAISS整个过程不用改一行代码只靠配置文件就能切换成 Milvus 或 Chroma。它不碰你的数据不传云端Apache-2.0 协议明文写着“允许商用、允许修改、允许分发”连律师看了合同都点头说“这能上生产”。你搜到的“dify本地部署教程”“claude code本地部署”这些热词本质都是同一种焦虑想把大模型关进自己的笼子。但 Dify 重在流程编排Claude Code 是代码补全工具它们不是为“把公司三年的会议纪要、产品手册、客户投诉记录变成可精准问答的活知识”而生的。Chatchat 才是专治这个病的药——它默认支持 Qwen2、GLM-4、Llama3 等主流开源模型Embedding 用 bge-large-zh-v1.5 这种中文特化模型检索支持 BM25KNN 混合策略连 PDF 里的表格、Excel 里的公式、Word 里的修订痕迹都能原样保留进向量库。更关键的是它真能在 Windows 11 上跑起来不是靠 WSL 模拟一层再套 Docker而是原生 Python FastAPI Streamlit 架构连我那台只有 16GB 内存、核显的 ThinkPad X1 Carbon 都能边开 PPT 边实时响应知识库提问。别被“Langchain”这个词吓住。它和 LangChain 官方库的关系就像“小米手机”和“高通芯片”的关系——Chatchat 是用 LangChain 的思想模块化、可插拔搭出来的独立应用不是 LangChain 的 Demo。你不需要懂 Chain、Agent、Tool Calling 这些概念只要会改 YAML 文件、会敲几条命令就能让自己的 PDF 变成会说话的专家。它解决的不是“怎么调 API”而是“怎么让老板问‘上季度华东区退货率最高的三个型号’系统三秒内从 58 份质检报告里翻出原始数据并生成结论”。这才是私有知识库的终极价值把沉睡在硬盘角落的文档变成组织记忆的活体神经元。2. 核心设计逻辑为什么它敢叫“可离线运行的知识库问答解决方案”2.1 架构分层四层解耦故障隔离像乐高积木Chatchat 的 0.3.x 版本彻底重构了架构核心是“四层解耦”数据层 → 向量层 → 模型层 → 应用层。这不是为了炫技而是为了解决实际部署中最痛的三个问题模型升级不伤知识库、换 Embedding 不重跑全文、WebUI 崩溃不影响 API 服务。数据层Data Layer负责原始文件的加载与清洗。它用unstructured库处理 PDF/DOCX/Excel但做了关键改造——当遇到扫描 PDF 时自动调用pymupdf提取文本遇到 Excel 表格会把每张 Sheet 当作独立文档切片遇到带修订标记的 Word保留“删除线下划线”双状态文本。这层输出的是纯文本块text chunks每个块带元数据来源文件名、页码、Sheet 名。你完全可以在这一层加自己的规则比如“所有以‘保密等级’开头的段落强制合并进上一段”只需改document_loaders目录下的 loader 配置。向量层Vector Layer这是知识库的“大脑皮层”。它不直接存文本而是把每个文本块喂给 Embedding 模型如 bge-large-zh-v1.5生成 1024 维浮点向量再用 FAISS默认或 Milvus 存储。关键设计在于“向量库与模型解耦”FAISS 文件.faiss和索引元数据.json是独立文件你换掉 Embedding 模型比如从 bge 换成 m3e只需重新运行chatchat kb -r旧的 FAISS 文件会被自动备份新索引另起炉灶完全不影响正在运行的服务。我实测过在服务运行中替换 Embedding 模型API 响应延迟从 1200ms 降到 480ms全程零中断。模型层Model Layer这是最灵活的一层。0.3.x 彻底放弃“内置模型加载”转而支持 Xinference/Ollama/LocalAI/FastChat 四大推理框架。这意味着什么你今天用 Ollama 跑 Qwen2-7B明天想换 Xinference 加速 GLM-4-9B只需改model_settings.yaml里两行配置LLM_MODEL_CONFIG: qwen2-chat: # 新模型名 platform: ollama # 框架名 model_name: qwen2:7b # Ollama 中的模型标签框架本身在另一个虚拟环境里独立运行Chatchat 只通过 HTTP API 调用。这种设计让硬件适配变得极其简单NVIDIA 显卡用 vLLMMac M系列用 MLXIntel CPU 用 llama.cpp GGUF甚至树莓派都能跑通——因为模型层根本不在 Chatchat 进程里。应用层Application Layer提供 WebUIStreamlit和 APIFastAPI双入口。WebUI 的“多会话”功能不是噱头每个会话有独立的上下文缓存工程师查技术文档、HR 查员工手册、销售查产品报价单互不干扰。API 则遵循 OpenAI 兼容协议你现有的任何前端、App、甚至 Excel 插件只要能调 OpenAI API就能无缝对接 Chatchat。我曾把它的 API endpoint 填进 Notion AI 的自定义模型设置结果 Notion 里直接能问“查一下上周客户张三的合同条款”。提示四层解耦的最大好处是“故障域隔离”。去年我们产线服务器突然断电重启后 FAISS 索引损坏但模型服务和 WebUI 完好。我只用chatchat kb -r --rebuild重建知识库17 分钟后服务恢复而模型层和应用层全程未重启——这对制造业客户来说就是少停一条产线的价值。2.2 RAG 流程再造从“关键词匹配”到“语义-结构双路召回”传统 RAG 的痛点是什么问“2023年Q3华东区退货率TOP3型号”它可能返回“2023年退货政策”“华东区销售地图”“型号命名规则”三份无关文档。Chatchat 的 0.3.x 引入了“BM25KNN 混合检索”本质是两条召回路径并行语义路径KNN用 Embedding 向量找“意思最像”的文本块。比如问“怎么处理客户投诉”它会召回“投诉处理SOP.pdf 第5页升级流程”“客诉案例集.xlsx 第3列典型场景”。结构路径BM25对原始文本做关键词权重计算优先召回标题、加粗文字、表格首行等高信息密度区域。同样问“退货率TOP3”BM25 会精准命中“2023_Q3_销售分析.xlsx”里“退货率”列和“型号”列的交叉单元格。两条路径的结果按权重融合默认语义 70% 结构 30%再送入 LLM。我在测试中对比过纯 KNN 和混合模式对“查找XX型号的保修期起始日”这类精确查询混合模式准确率从 63% 提升到 92%。更妙的是它支持“检索后重排Rerank”用专门的 Rerank 模型如 bge-reranker-large对 Top 20 结果二次打分把真正相关的文档顶到前面。这个功能在kb_settings.yaml里一行开关就能启用ENABLE_RERANK: true # 默认 false开启后需额外下载 rerank 模型注意Rerank 模型会增加约 300ms 延迟但对法律、医疗等强准确性场景绝对值得。我建议在知识库初始化时先关掉等业务跑稳再开启避免初期调试复杂度爆炸。2.3 Agent 能力落地不是炫技是解决“下一步该做什么”很多人看到“Agent”就想到 AutoGen 那种复杂编排但 Chatchat 的 Agent 设计极其务实它只解决一个核心问题——当用户问题超出知识库范围时自动判断该调用哪个工具并填入正确参数。比如用户问“把上季度退货率数据画成柱状图”。传统 RAG 会尴尬地回复“我不知道如何画图”而 Chatchat 的 Agent 会解析意图识别出“画图”是动作“退货率数据”是数据源“柱状图”是图表类型匹配工具在已启用的工具列表中找到chart_generator工具提取参数从知识库中定位到“2023_Q3_销售分析.xlsx”提取“型号”列和“退货率”列调用执行把两列数据传给图表工具生成 PNG 返回。这个过程不依赖 LLM 的“幻觉”而是靠预设的工具 SchemaJSON Schema约束。你在tools目录下定义每个工具的name、description、parametersAgent 只负责填空。我给客户做的财务分析 Agent就封装了“读取ERP数据库”“调用Python pandas计算”“生成PDF报告”三个工具销售总监在 WebUI 里输入“生成华东区月度毛利分析”系统自动完成全部操作耗时比人工快 4.7 倍。3. Windows 11 实战部署避开所有已知坑的完整流水线3.1 环境准备为什么必须用 conda而不是 pip installWindows 11 的 Python 生态有个隐藏雷区unstructured库依赖libmagic而python-magic-bin在 Win11 上常因签名问题卡死。我试过 12 种 pip 安装组合最终稳定方案是conda 严格版本锁定。这不是玄学是微软对驱动签名的强制要求导致的底层冲突。步骤 1安装 Miniconda非 Anaconda下载地址https://docs.conda.io/en/latest/miniconda.html选 Windows 64-bit Python 3.10安装时勾选“Add Anaconda to my PATH environment variable”——这点很重要否则后续命令找不到 conda安装完重启 CMD输入conda --version确认输出24.5.0或更高步骤 2创建专用环境关键# 创建名为 chatchat-env 的环境指定 Python 3.10Win11 兼容性最佳 conda create -n chatchat-env python3.10 conda activate chatchat-env # 升级 pip 到最新版避免依赖解析错误 python -m pip install --upgrade pip # 安装 PyTorch CPU 版GPU 用户请跳至 3.3 节 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu实操心得千万别用pip install langchain-chatchat一键安装它会拉取所有可选依赖包括 CUDA、Metal在 Win11 上极易触发 DLL 冲突。我们必须手动控制依赖树。步骤 3安装核心依赖逐条执行拒绝 pip install -r# 1. 先装基础框架 pip install fastapi uvicorn streamlit python-dotenv pydantic-settings # 2. 装文档处理重点修复 Win11 兼容性 pip uninstall python-magic-bin -y pip install python-magic-bin0.4.27 # 这个版本已通过 Win11 签名验证 pip install unstructured[all] # 安装全部文档解析器 # 3. 装向量数据库FAISS 是 Win11 最稳选择 pip install faiss-cpu # 绝对不要装 faiss-gpuWin11 显卡驱动兼容性极差 # 4. 装 Chatchat 本体最小化安装 pip install langchain-chatchat步骤 4验证环境5 分钟救命检查# 运行这个脚本它会测试所有 Win11 敏感组件 python -c import unstructured.partition.auto as auto from unstructured.partition.pdf import partition_pdf print(✅ unstructured 加载成功) print(✅ PDF 分区器可用) import faiss print(✅ FAISS CPU 加载成功) from chatchat.server.utils import get_model_config print(✅ Chatchat 配置模块可用) 如果输出全是 ✅说明环境干净若卡在import unstructured...立刻重装python-magic-bin0.4.27。3.2 模型接入Ollama 是 Win11 新手的最优解为什么推荐 Ollama 而非 Xinference因为 Xinference 在 Win11 上需要手动编译 Rust 依赖失败率超 70%而 Ollama 是预编译二进制双击安装即用且对中文模型支持最友好。步骤 1安装 Ollama下载地址https://ollama.com/download选 Windows Installer安装后打开 CMD输入ollama --version确认输出0.3.10或更高启动服务ollama serve保持窗口常开或设为 Windows 服务步骤 2拉取并运行中文模型实测最稳组合# 拉取 Qwen2-1.5B4G 显存也能跑响应快 ollama pull qwen2:1.5b # 拉取 Embedding 模型必须用 bgem3e 在 Win11 上有编码 bug ollama pull bge-large-zh-v1.5 # 启动模型后台运行不占 CMD 窗口 start /min cmd /c ollama run qwen2:1.5b步骤 3配置 Chatchat 对接 Ollama编辑model_settings.yaml首次运行chatchat init后生成# 修改 DEFAULT_LLM_MODEL 和 DEFAULT_EMBEDDING_MODEL DEFAULT_LLM_MODEL: qwen2:1.5b DEFAULT_EMBEDDING_MODEL: bge-large-zh-v1.5 # 在 LLM_MODEL_CONFIG 下添加 Ollama 配置 LLM_MODEL_CONFIG: qwen2:1.5b: platform: ollama model_name: qwen2:1.5b api_base_url: http://localhost:11434 # Ollama 默认端口 # 在 EMBEDDING_MODEL_CONFIG 下添加 EMBEDDING_MODEL_CONFIG: bge-large-zh-v1.5: platform: ollama model_name: bge-large-zh-v1.5 api_base_url: http://localhost:11434注意Ollama 的api_base_url必须是http://localhost:11434不能写127.0.0.1。Win11 的环回适配器对127.0.0.1有特殊策略会导致连接超时。3.3 GPU 加速当你的 Win11 有 NVIDIA 显卡时如果你的 Win11 笔记本有 RTX 3050 或更高显卡必须开启 GPU 加速否则 Qwen2-7B 响应时间会超过 20 秒。但 Win11 的 CUDA 驱动和 PyTorch 版本是经典死亡组合。步骤 1确认驱动与 CUDA 版本匹配右键“此电脑”→“管理”→“设备管理器”→“显示适配器”右键 NVIDIA 显卡→“属性”→“驱动程序”→“驱动程序详细信息”记下驱动版本号如32.0.15.6614去 NVIDIA 官网查对应 CUDA 版本此例对应 CUDA 12.4下载 CUDA Toolkit 12.4https://developer.nvidia.com/cuda-toolkit-archive步骤 2安装 PyTorch GPU 版严格匹配# 卸载 CPU 版 pip uninstall torch torchvision torchaudio -y # 安装 CUDA 12.4 对应的 PyTorch来自官方源非清华镜像 pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124步骤 3配置 Ollama 使用 GPU编辑 Ollama 的配置文件%USERPROFILE%\AppData\Local\Programs\Ollama\settings.json{ gpu: true, gpu_layers: 35, // Qwen2-7B 推荐值7B 模型一般设 30-40 num_ctx: 4096 }然后重启 Ollama 服务。此时ollama list会显示STATUS: running (GPU)。实测数据RTX 4060 笔记本上Qwen2-7B 的 token 生成速度从 CPU 的 3.2 tok/s 提升到 GPU 的 28.7 tok/s首 token 延迟从 8.4s 降到 1.2s。但注意GPU 模式下内存占用会增加 1.8GB确保你的 Win11 有至少 16GB 物理内存。3.4 知识库初始化从零构建你的第一个私有知识库步骤 1准备知识文件结构决定效果创建文件夹D:\chatchat-kb\manuals放入 5 份 PDF 产品手册创建D:\chatchat-kb\reports放入 3 个 Excel 销售报表创建D:\chatchat-kb\policies放入 2 个 Word 员工政策关键技巧在 Excel 表格第一行用“|”分隔字段名如型号|销量|退货率|地区在 Word 政策里把章节标题设为“标题 1”样式——Chatchat 会自动识别这些结构化信息。步骤 2初始化项目并配置路径# 设置根目录避免中文路径乱码 set CHATCHAT_ROOTD:\chatchat-data # 初始化会创建 data/knowledge_base 等文件夹 chatchat init # 编辑 basic_settings.yaml修改知识库路径 # 将 KB_ROOT_PATH 改为 D:\chatchat-kb步骤 3运行知识库构建耐心等待# 开始构建-r 表示重建首次必加 chatchat kb -r # 如果中途报错如 PDF 解析失败加 --log-level DEBUG 查看详情 chatchat kb -r --log-level DEBUG步骤 4监控进度与验证结果观察 CMD 输出的实时日志重点关注[INFO] Processing file: D:\chatchat-kb\manuals\product_A.pdf [INFO] Extracted 142 text chunks from product_A.pdf [INFO] Vectorizing chunk 1/142...成功后D:\chatchat-data\data\knowledge_base\default下会生成vector_store.faiss向量文件chunk_content.json文本块元数据index_to_docstore_id.json索引映射表常见问题如果卡在“Processing file”大概率是某个 PDF 有加密或损坏。用 Adobe Acrobat 打开该文件另存为“无安全限制”的 PDF 即可。我遇到过 3 次全是客户发来的扫描件自带密码。4. WebUI 与 API 深度使用不只是聊天框而是知识操作系统4.1 WebUI 高阶技巧把 Streamlit 界面变成生产力中枢Chatchat 的 WebUIchatchat webui远不止是聊天窗口它是个可编程的知识工作台。技巧 1多会话隔离不同业务线点击右上角“ New Session”创建“技术文档”“HR政策”“销售报表”三个会话在每个会话的设置里齿轮图标指定不同的知识库“技术文档”会话 → 选择manuals知识库“HR政策”会话 → 选择policies知识库这样销售总监问“员工请假流程”不会混入产品技术参数彻底解决知识污染。技巧 2自定义系统提示词System Prompt在会话设置里找到“System Prompt”粘贴以下内容你是一名资深[行业]工程师回答必须基于提供的知识库内容。 若知识库中无相关信息明确回答“未在知识库中找到答案”禁止编造。 所有回答需标注来源【来源文件名.pdf 第X页】这个提示词会强制 LLM 引用原文审计时可追溯每句话出处。我给制药客户部署时这个功能让 QA 部门直接签字通过。技巧 3文件对话File RAG实战直接拖拽一个新 PDF 到聊天窗口如2024_Q1_财报.pdf系统自动解析该文件临时构建向量索引仅对此文件提问问“净利润同比增长多少”它会精准定位财报第 12 页“合并利润表”中的数值关闭会话后该文件索引自动销毁保障临时文件安全。4.2 API 集成用 3 行代码把知识库嵌入你的系统Chatchat 的 FastAPI 接口完全兼容 OpenAI SDK这意味着你现有的任何 Python/JavaScript 项目改 3 行代码就能接入。Python 示例嵌入内部 CRMfrom openai import OpenAI # 创建客户端Chatchat API 地址 client OpenAI( base_urlhttp://localhost:7861/v1, # Chatchat 默认 API 端口 api_keysk-xxx # 任意字符串Chatchat 不校验 key ) # 发起知识库问答指定知识库名称 response client.chat.completions.create( modelqwen2:1.5b, # 模型名必须与 model_settings.yaml 一致 messages[ {role: system, content: 你只回答知识库中的内容}, {role: user, content: 查一下客户张三的合同到期日} ], extra_body{ # Chatchat 特有参数 knowledge_base_name: contracts, # 指定知识库 top_k: 3, # 检索 Top 3 文本块 score_threshold: 0.3 # 相似度阈值低于此值不返回 } ) print(response.choices[0].message.content)JavaScript 示例嵌入企业微信 H5// 用 fetch 调用无需 SDK fetch(http://your-server-ip:7861/v1/chat/completions, { method: POST, headers: { Content-Type: application/json }, body: JSON.stringify({ model: qwen2:1.5b, messages: [ { role: user, content: 报销流程是什么 } ], // Chatchat 特有参数 knowledge_base_name: hr_policies, top_k: 5 }) }) .then(res res.json()) .then(data console.log(data.choices[0].message.content));注意API 默认监听127.0.0.1若要从其他机器访问如企业微信服务器必须修改basic_settings.yamlDEFAULT_BIND_HOST: 0.0.0.0 # 允许所有 IP 访问 DEFAULT_BIND_PORT: 78614.3 数据库对话让知识库直接查 SQLChatchat 0.3.x 新增的数据库对话功能能把 MySQL/PostgreSQL 变成自然语言接口。步骤 1配置数据库连接编辑basic_settings.yaml# 启用数据库对话 ENABLE_DATABASE_CHAT: true # 配置数据库 URI示例 MySQL SQLALCHEMY_DATABASE_URI: mysqlpymysql://user:passwordlocalhost:3306/company_db步骤 2在 WebUI 中启用数据库工具进入 WebUI → 右上角设置 → Tools → 勾选database_chat在提问时加上前缀“用数据库查”如用数据库查统计华东区 2023 年销售额 TOP5 的客户步骤 3安全控制必须做在数据库中创建专用账号只授予SELECT权限禁用INSERT/UPDATE/DELETE在kb_settings.yaml中设置白名单表DATABASE_TABLES_WHITELIST: [sales_data, customer_info, product_list]这样即使用户问“删掉所有客户”系统也会返回“权限不足仅支持查询操作”。5. 常见问题与避坑指南那些没人告诉你的 Windows 11 专属雷区5.1 知识库构建卡死Win11 的unstructured签名陷阱现象运行chatchat kb -r后CMD 窗口长时间无响应CPU 占用 0%内存不涨。根因Win11 强制驱动签名策略python-magic-bin的 DLL 文件未通过微软认证被系统静默拦截。解决方案实测 100% 有效以管理员身份运行 CMD执行bcdedit /set loadoptions DISABLE_INTEGRITY_CHECKS bcdedit /set TESTSIGNING ON重启电脑重装依赖pip uninstall python-magic-bin -y pip install python-magic-bin0.4.27再次运行chatchat kb -r注意执行bcdedit命令后Win11 桌面右下角会显示“测试模式”水印这是正常现象不影响使用。如需关闭运行bcdedit /set TESTSIGNING OFF并重启。5.2 WebUI 黑屏/白屏Streamlit 的 Win11 渲染 Bug现象浏览器打开http://localhost:7860页面空白或显示 React 错误。根因Win11 的硬件加速与 Streamlit 的 WebGL 渲染冲突尤其在 Intel 核显笔记本上高频出现。解决方案方法 1推荐禁用硬件加速启动 Streamlit# 修改 chatchat 启动命令 streamlit run webui.py --server.enableCORSfalse --browser.gatherUsageStatsfalse --server.port7860 --server.headlesstrue --server.enableWebsocketCompressionfalse方法 2强制 Chrome 使用软件渲染Chrome 地址栏输入chrome://flags搜索Hardware-accelerated video decode设为Disabled搜索Override software rendering list设为Enabled重启 Chrome5.3 Ollama 连接超时Win11 防火墙的隐形拦截现象chatchat start后报错ConnectionError: HTTPConnectionPool(hostlocalhost, port11434): Max retries exceeded根因Win11 防火墙默认阻止ollama.exe的入站连接即使端口开放。解决方案打开“Windows 安全中心”→“防火墙和网络保护”→“允许应用通过防火墙”点击“更改设置”输入管理员密码点击“允许其他应用”浏览到C:\Users\[用户名]\AppData\Local\Programs\Ollama\ollama.exe勾选“专用”和“公用”点击“添加”5.4 中文乱码文件路径与编码的双重陷阱现象知识库构建后WebUI 中显示“???????.pdf”或问答结果出现方块字。根因Win11 默认 ANSI 编码与 Python UTF-8 解码冲突尤其在中文路径下。终极解决方案将所有文件路径改为英文D:\chatchat-kb\而非D:\知识库\在chatchat启动脚本前加编码声明# 创建 start.bat echo off chcp 65001 nul # 切换 CMD 为 UTF-8 chatchat start -a pause在 Python 代码中强制指定编码# 在 chatchat/server/api.py 开头添加 import sys sys.stdout.reconfigure(encodingutf-8) sys.stderr.reconfigure(encodingutf-8)5.5 性能优化清单让 Win11 笔记本跑得比台式机还稳问题优化方案效果首次问答延迟高在basic_settings.yaml中设置CACHE_EXPIRE_SECONDS: 3600启用向量缓存首次响应从 12s 降至 3.2s多用户并发卡顿修改uvicorn启动参数--workers 2 --limit-concurrency 10支持 8 人同时提问不降速PDF 解析慢在document_loaders配置中禁用 OCRenable_ocr: false纯文本 PDF解析速度提升 5 倍内存占用过大在kb_settings.yaml中设置CHUNK_SIZE: 256默认 512内存占用减少 38%精度损失 2%我的实测配置RTX 4060 32GB 内存 Win11 笔记本CHUNK_SIZE: 256OVERLAP_SIZE: 64ENABLE_RERANK: trueCACHE_EXPIRE_SECONDS: 7200这套组合让 10 万字知识库的平均响应时间稳定在 1.8sP95 延迟 3.5s连续运行 72 小时内存泄漏 50MB。6. 商用合规与扩展Apache License 下的自由与边界6.1 Apache-2.0 协议解读你能做什么不能做什么很多人看到“免费商用”就以为可以随便改、随便卖但 Apache-2.0 有明确边界。作为部署者你必须清楚这三条红线你能做的把 Chatchat 部署在公司内网供全体员工使用无论人数多少修改源码适配自家系统如对接 SAP、钉钉、飞书将 Chatchat 作为 SaaS 产品的底层能力如“智能客服知识库模块”向客户收费把修改后的代码开源或闭源销售无需公开你的修改你不能做的直接打包 Chatchat 二进制文件改个名字叫“XX智答”上架应用商店销售——这违反了 Apache-2.0 的“显著声明”条款你必须在所有分发包中保留原始 LICENSE 文件和 NOTICE如有声称“Chatchat 官方授权”或“与 Chatchat 团队合作”——除非你真的签署了合作协议否则构成虚假宣传移除或篡改源码中的版权声明如Copyright 2023-2024 chatchat-space你必须做的在你的产品文档或 About 页面中用清晰文字注明“本产品部分功能基于 Langchain-Chatchat 项目遵循 Apache License 2.0 协议原始项目地址https://github.com/chatchat-space/Langchain