受langchain-ChatGLM项目启发，由于Elasticsearch可实现文本和向量两种方式混合查询，且在业务场景中使用更广泛，因此本项目用Elasticsearch代替Faiss作为知识存储库，利用Langchain+Chatglm2实现基于自有知识库的智能问答。
本项目希望抛砖引玉，能够帮助大家快速地做技术验证和技术路线选取。
默认使用的embedding模型为moka-ai/m3e-large
目前仅支持上传 txt、docx、md等文本格式文件。
默认使用余弦距离计算文本相似性。
修改配置文件config.ini，配置Elasticsearch链接
模型可修改为本地路径
增加对InternLM的支持：llm_model修改为internlm/internlm-chat-7b即可。
执行web.py
python web.py
ES插入时文档交互模块会显示插入是否成功，或抛出异常内容；问答时，文档交互模块会展示查询到的内容，包括文档来源，文档内容和相似度分数。
三种查询模式，具体区别见Elasticsearch官方文档
近似查询：Approximate kNN
混合查询：Combine approximate kNN with other features
查询阈值：
仅返回相似度分数大于阈值的查询结果，0为不设限制
top_k：
返回最相关的k个文本
knn_boost：
适用于混合查询，knn_score所占比例
打包docker镜像
docker build -f docker/Dockerfile -t es-chatglm:v1.0 .启动docker容器
docker run --gpus "device=0" -p 8000:8000 -it es-chatglm:v1.0 bash欢迎沟通交流！