Langchain-Chatchat
B+25/40RAG / 向量洞察置信度：中Langchain-Chatchat（原Langchain-ChatGLM）基于 Langchain 与 ChatGLM, Qwen 与 Llama 等语言模型的 RAG 与 Agent 应用 | Langchain-Chatchat (formerly langchain-ChatGLM), local knowledge based LLM (like ChatGLM, Qwen and Llama) RAG and Agent app with langchain
Executive Insight
Langchain-Chatchat 属于「RAG / 向量」方向，综合分 25/40（B+）。当前最强项是 记忆系统、知识检索 (RAG)、LLM 集成，短板集中在 人机协作、工具使用。
核心优势
- - 记忆系统达到 5/5（Level 5），说明该项目在这一能力上较成熟。
- - 知识检索 (RAG)达到 5/5（Level 5），说明该项目在这一能力上较成熟。
- - LLM 集成达到 4/5（Level 4），说明该项目在这一能力上较成熟。
能力短板
- - 人机协作仅 1/5，当前更像“可用基础版”，需要补齐工程化能力。
- - 工具使用仅 2/5，当前更像“可用基础版”，需要补齐工程化能力。
适用场景
- - 私有知识库问答
- - 企业文档检索增强
落地风险与建议
- - 该条目为启发式分析，建议在核心决策前做一次仓库级人工复核。
- - 人机协作机制偏弱，生产环境需增加人工审批或灰度发布闸门。
- - 加入审批节点和失败回退，降低自动化误操作风险。
- - 梳理工具调用协议，先统一输入输出，再做动态路由。
Intelligence Profile
Dimensions
LLM 集成
Level 4
Level 4: 多模型切换 + Provider 抽象
Agent 自主性
Level 3
Level 3: ReAct 循环（自主工具调用）
记忆系统
Level 5
Level 5: 全局知识图谱 + 自我更新
工具使用
Level 2
Level 2: 多工具 + 路由
知识检索 (RAG)
Level 5
Level 5: 知识图谱 + 动态更新
多模态
Level 2
Level 2: 图片输入 + 文本输出
评估与验证
Level 3
Level 3: 自动测试 + CI
人机协作
Level 1
Level 1: AI 建议 + 人工执行
Architecture
Langchain-Chatchat（原Langchain-ChatGLM）基于 Langchain 与 ChatGLM, Qwen 与 Llama 等语言模型的 RAG 与 Agent 应用 | Langchain-Chatchat (formerly langchain-ChatGLM), local knowledge based LLM (like ChatGLM, Qwen and Llama) RAG and Agent app with langchain
GitHub Live Metrics
Loading live metrics...