huggingface cli 下载space内对应的项目

### Langchain-Chatchat API Server 的使用教程 #### 初始化项目 为了启动并运行 `Langchain-Chatchat`，首先需要克隆其仓库到本地环境。通过以下命令完成此操作： ```bash git clone https://github.com/chatchat-space/Langchain-Chatchat.git [^1] ``` 接着进入项目的子目录，并初始化配置文件以及创建必要的数据存储路径： ```bash cd libs/chatchat-server python chatchat/cli.py init [^2] ``` #### 下载预训练模型 在实际应用之前，还需要下载所需的大型语言模型及其嵌入向量模型。具体来说，可以从 Hugging Face 平台获取这些资源： - 嵌入向量模型：访问链接 [BGE-Large-ZH](https://huggingface.co/BAAI/bge-large-zh)，下载对应的权重文件[^3]。 - 对话生成模型：前往页面 [ChatGLM3-6B](https://huggingface.co/THUDM/chatglm3-6b) 获取对话生成器的相关参数和结构定义。 #### 启动服务端口 一旦上述准备工作全部就绪，则可以按照如下方式开启 API 服务器来提供对外接口调用支持功能。通常情况下，默认监听地址为 localhost 上的某个指定端口号（比如8000）。以下是启动脚本的一个例子： ```bash uvicorn main:app --host 0.0.0.0 --port 8000 ``` 这里假设主程序入口位于名为 `main.py` 文件中的 FastAPI 实例变量 `app` 中。 #### 请求示例代码 下面给出了一段 Python 脚本来演示如何利用 requests 库发送 POST 请求至该 API endpoint 来实现问答交互过程： ```python import json import requests url = 'http://localhost:8000/api/v1/qwen' headers = {'Content-Type': 'application/json'} data = { "question": "你好", "history": [] } response = requests.post(url, headers=headers, data=json.dumps(data)) print(response.json()) ```