LibreChat--多平台安装和基础配置

发表于 2024/05/24 更新于 2024/08/11

作者 Marvin

35 分钟阅读

前言

笔者是十分看好LibreChat项目的，其项目思想和现在比较火热的ChatGPT-Next-Web和LobeChat有很大不同，其一开始就有鉴权和后端数据库，这决定了LibreChat的交互体验，尤其是跨设备体验是非常舒适的，这也是笔者在自己家里和公司都选择LibreChat的原因。笔者写这篇文章主要是为了记录部署过程，后续调整时使用。

部署过程

LibreChat的项目文档十分细节，细节到教会你如何更新Docker配置。如下图所示：

项目文档十分细节是非常难得的，这直接会让用户的部署和维护变得不是那么困难。并且项目支持多种部署方式，这里介绍下两种部署方式，使用Docker部署和使用Windows部署，使用Linux和Mac也大同小异。

不过部署过程还是有点小坑，尤其是第一次部署的，不一定能顺利部署启动成功，下面是笔者自己在Windows使用docker和直接部署的过程，以及踩坑&解决办法

使用Docker部署

Docker的部署十分简便，如果各位部署环境中有长期运行的Docker服务，十分建议选择此种部署方案，性能方面Docker几乎没有损失。其他情况还是建议直接部署比较好。

clone对应项目
使用git clone命令获取到项目代码。如果是长期使用，这里笔者建议下载release版本较为稳定，目前（2024年5月23日）libreChat暂未发布release版本。
1 git clone https://github.com/danny-avila/LibreChat.git
展开
release版本
1 git clone --branch v0.7.2 https://github.com/danny-avila/LibreChat.git
展开
Windows安装docker并启动
docker官网下载并启动即可
docker-desktop
配置启动项目
命令行进入1中clone的项目根目录，首先使用cp命令创建env文件，这个相当于项目运行的小配置文件，第一次运行可以先不用管内容，先运行起来再说
1 cp .env.example .env
展开
再运行docker命令启动（执行命令前建议国内的小伙伴配置下docker的国内镜像源aliyun_mirror
1 docker compose up -d
展开
上面的命令会自动拉取所需要的镜像，并创建启动容器，启动运行正常后，因为这里命令带了-d，所以运行正常之后，命令行可以正常执行命令的。
这时候进入http://localhost:3080/ ，正常就会出现相应的注册登录界面

以上是正常使用docker从git clone到可以运行的过程，这时候注册登录，就能在网页中，输入对应得key来设置使用预置的大模型，UI设计几乎和ChatGPT完全一致。

如果需要进一步配置，比如配置默认的模型和key等，就需要修改config文件，笔者这里介绍下两种配置，一种是Azure，一种是笔者本地的llama3，两种方案涵盖了大部分需求：

libreChat配置Azure OpenAI

笔者这里默认大家已经配置好了Azure OpenAI模型部署相关，所以会直接从libreChat的配置写起，项目工程作者也提供了配置的方法说明configuration

首先需要按照作者的步骤，复制粘贴下config文件（好像新版本作者取消了这个步骤）
1 cp librechat.example.yaml librechat.yaml
展开
配置Docker override
这里作者给出了配置的步骤，参考：https://www.librechat.ai/docs/configuration/docker_override
这一步很多人配置的时候漏掉了，会导致librechat.yaml文件失效。

修改librechat.yaml，配置Azure OpenAI

作者给每一个修改都添加了具体的修改说明，比如Azure OpenAI

Azure OpenAI的配置因为有了终结点，部署名和部署模型等，变得非常复杂，这里笔者根据自己日常所需，需要三种模型，gpt3.5，4，o，所以举了下例子：

笔者这里假设Azure OpenAI中配置得到了如下参数（key是我乱敲的）：

终结点1: https://marvin-sweden-central.openai.azure.com/
密钥: deas90d8f90as8d8f09a8sd0asdfa
部署模型1: gpt-4
部署名: gpt-4-turbo
部署模型2: gpt-35-turbo
部署名: gpt-35-turbo

终结点2: https://marvin-us-north-central.openai.azure.com/
密钥: jolk122j312jlkj1l2k3jlkjasdf
部署模型1: gpt-4o
部署名: gpt-4o

展开

这里由于Azure OpenAI并不是在所有地区开放所有模型的，所以需要配置多个终结点，比如笔者这里，需要使用gpt3.5和4以及4o，3.5和4部署在瑞典中部，而4o部署在美东，具体部署模型与地区可以参考：模型摘要表和区域可用性

那么对应的librechat.yaml就需要添加如下的配置

endpoints:
   azureOpenAI:
      # Endpoint-level configuration
      titleModel: "gpt-3.5-turbo"
      titleMethod: "completion"
      summarize: true
      summaryModel: "gpt-4o"
      plugins: true
      groups:
      # Group-level configuration
      - group: "sweden-central"
         apiKey: "deas90d8f90as8d8f09a8sd0asdfa"
         baseURL: "https://${INSTANCE_NAME}.openai.azure.com/openai/deployments/${DEPLOYMENT_NAME}/chat/completions?api-version=${version}"
         instanceName: "marvin-sweden-central"
         models:
            gpt-3.5-turbo:
               deploymentName: gpt-35-turbo
               version: "2024-02-01"
            gpt-4:
               deploymentName: gpt-4-turbo
               version: "2024-02-15-preview"
         
      - group: "us-north-central"
         apiKey: "jolk122j312jlkj1l2k3jlkjasdf"
         baseURL: "https://${INSTANCE_NAME}.openai.azure.com/openai/deployments/${DEPLOYMENT_NAME}/chat/completions?api-version=${version}"
         instanceName: "marvin-us-north-central"
         models:
            gpt-4o:
               deploymentName: gpt-4o
               version: "2024-02-01"

展开

作者的配置为了适配Azure OpenAI的复杂性也非常复杂，配置参数之间也相互有耦合，也不太好理解。这里笔者能省略即省略了，这个应该是能配置2个终结点多个模型的最简化配置了。

下面我分别解释下上述出现的配置是干嘛的

首先是Endpoint-level configuration的配置（azureOpenAI下面的第一层缩进）

titleModel: 配置生成对话中的标题的模型，就是这里
这里可以看出，模型根据对话内容自动总结出了标题，一般不重要，不过还是要有的吧，可以直接设置成模型名，也可以设置成”current_model”
titleMethod: 决定titleModel生成的方式，有两种选项，像笔者一样不配置默认是”completion”，还有一种是”functions”，两个的区别作者没有写，不过翻代码可以看到
completion的部分，作者是以system的角色让titleModel的模型生成了标题
functions的部分，作者是用到了langchain那套方法，保底还是completion的，细节不再看了，还是会用到大模型生成的，只是方法不同
所以笔者这里直接默认缺省了
titleConvo: 给所有的Azure模型配置生成标题，默认false，笔者暂时没发现使用场景，因为就配置了3个gpt的，暂时缺省了
summarize: 给所有的Azure模型配置对话摘要，默认false，这个是摘要功能，开启这个可以节省token，建议开启
很多类chatGPT都会有摘要功能，原因是长对话会出现上下文，如果不开启摘要，会将对话原封不动的再次传递给模型，会浪费大量的token，开启后可以摘要后再传递给模型，节省token，建议开启。
summaryModel: 摘要也是需要大模型来做的，所以需要配置摘要的模型，这里也别太省，gpt-4o是个不错的选择
plugins: 插件功能，作者给配置了几个比较常用的插件功能，Google搜索，Azure AI Search之类的，要深入配置的，如果感兴趣可以阅读作者的tools
这里作者没有写明白开启的这个插件是什么，笔者自己理解是这里配置插件为true时，对应插件会使用该大模型，配置为true的话插件这里如下图所示
如果没有配置，默认会是false，默认会使用openai的大模型，需要输入key才能正常使用插件。
assistants: 这个是设置Azure assistants的，关于assistants可以看微软的文档Azure assistants
笔者个人理解Azure assistants十分没有必要，一般公司内不会将资料拱手给微软，一般个人用户也没有那么多资料需要，而且部分会有额外定价，笔者这里看到定价是0.03刀每次

综上，作者这里在# Endpoint-level configuration的配置如下

titleModel: "gpt-3.5-turbo"
titleMethod: "completion"
summarize: true
summaryModel: "gpt-4o"
plugins: true

展开

然后是# Group-level configuration（groups下面的缩进）

group：不会影响实际功能，只是为了标记每个grop的不同，这里笔者因为每个grop是用了一个Azure地区，于是就使用了Azure的地区名
apiKey：就是密钥
instanceName：作者解释是Name of the Azure OpenAI instance，笔者这里翻代码发现这个instanceName实际上就是Azure的那个终结点前面的一段数据

比如笔者的终结点是https://marvin-sweden-central.openai.azure.com/，那么这个instanceName就是marvin-sweden-central

deploymentName：部署模型自己定的名称
version：调用模型用的API版本（注：不是部署模型的版本），这个可以从文档中获取，不过我一般都是直接从部署模型调试的代码中直接抄

进入模型部署-聊天-查看代码，这里就有对应的api版本

baseURL：建议直接照抄笔者的配置

作者说是可选的，可是笔者多次尝试了不使用而是直接填写其他信息的方式配置，发现不太好用，于是在代码中找到了最终转换成的url，之前很长一段时间Azure在代码中请求的URL如下

   GPT4V_ENDPOINT = "https://marvin-sweden-central.openai.azure.com/openai/deployments/gpt-4-turbo/chat/completions?api-version=2024-02-15-preview"

展开

笔者尝试了下，结合作者给出的例子，转换成如下的baseURL

   https://${INSTANCE_NAME}.openai.azure.com/openai/deployments/${DEPLOYMENT_NAME}/chat/completions?api-version=${version}

展开

additionalHeaders：没有找到具体使用场景
serverless：需要设置“Models as a Service”，笔者没有使用场景，也未配置
addParams：其他参数，如max_tokens，temperature配置等，笔者这里使用了默认，各位可以按需配置即可
dropParams：也是模型配置参数相关，如top_p，presence_penalty，presence_penalty等
forcePrompt：forcePrompt 参数的主要作用是简化请求格式，使其更符合某些API的要求，特别是在需要一个单一的文本有效负载的情况下。笔者这里举例说明下

比如笔者这里需要向模型提问天气怎么样，一般的写法是这样的

   {
      "messages": [
         {"role": "system", "content": "You are a helpful assistant."},
         {"role": "user", "content": "What's the weather like today?"}
      ]
   }

展开

当 forcePrompt 参数设置为 true 时，请求将改为使用一个 prompt 参数，包含所有消息的内容，如下所示：

   {
      "prompt": "System: You are a helpful assistant.\nUser: What's the weather like today?"
   }

展开

这种方式在某些情况下更为简洁，也更容易与一些需要单一文本输入的API兼容，这里笔者不需要，所以缺省该参数。

最后是Model Configuration:

Model Identifier：这个即模型名，是什么模型就配置成什么即可，会显示在用户选择模型的时候，也会作为参数名
Model Configuration：这个参数开始，即是Model Identifier的下一级，注意缩进。这个参数有Boolean也有obj，建议像笔者一样配置成obj即可，不用简化配置以免更麻烦
deploymentName：这里设置成Azure OpenAI的模型自定义的部署名即可
version：API名字，参照笔者上面Group-level configuration层的说明即可

以上即是Azure OpenAI配置librechat.yaml的参数全解析，建议直接按照笔者的配置复制粘贴并修改自己的参数值即可，作者这里为了更好的拟合Azure OpenAI也是下了一番功夫。

如果配置完成使用时发现没有类似ChatGPT使用时的那种打字机的感觉，或者称为流输出，是因为Azure默认配置了内容筛选器，需要特殊配置下才会有打字机效果，可以参考下笔者的另外一篇文章做配置：

Azure OpenAI生成内容流式输出（配置打字机效果）

下图效果左为特殊配置后，右为默认配置

libreChat配置llama3

llama3的配置比较简单，但是也有坑点。

首先作者也已经发布更新匹配了llama3模型的适配，也给出了具体的配置

上面的配置，除了缩进问题，作者给的baseURL，是考虑到大部分人是使用的docker，所以url是http://host.docker.internal，这里如果部署的机器也是运行笔记本的同机器，则不用修改。

如果是局域网的两台机器，则上述配置也无法使用，是需要配置成ip地址的

比如笔者运行ollama的机器ip地址是192.168.50.153

则笔者的baseURL应该是

http://192.168.50.153:11434/v1/ 

展开

这里如果使用的是Windows配置的ollama，记得配置环境变量，一个是为了网络访问，默认是只能本机访问的，另一个是模型保存的位置，如果你不希望自己的C盘很快红了，最好还是配置一下。

所以笔者最终的librechat.yaml配置是

endpoints:
   custom:
   - name: "Ollama"
      apiKey: "ollama"
      baseURL: "http://192.168.50.153:11434/v1/" 
      models:
      default: [
            "llama3"
            ]
      fetch: false # fetching list of models is not supported
      titleConvo: true
      titleModel: "current_model"
      modelDisplayLabel: "Ollama"

展开

千万注意缩进问题

Docker部署配置问题：

页面右键刷新后跳转到登录界面
这个问题可能是作者cookie没有配置好，导致会在非部署机器上登录后刷新网页直接跳转到登录页面的问题。
23年已经有人给作者提了相关问题，作者给了一种临时的解决办法，但是截止目前（2024年5月27日）正式部署还是有此种问题。
所以需要做如下操作
1. 进入项目根目录，cp一个
  1 cp docker-compose.override.yml.example docker-compose.override.yml
  展开
2. docker-compose.override.yml添加如下内容
1 2 3 services: api: command: npm run backend:dev
展开
保存后重新运行下就好
配置了librechat.yaml但是未生效
这个问题也是因为Docker找不到librechat.yaml导致的，细心的话会发现运行中就会报错这个：
这个问题也是需要修改docker-compose.override.yml来控制，最好不要直接修改docker-compose.yml
如果已经有docker-compose.override.yml文件，就不用执行下面复制这一步，没有得话需要执行下
进入项目根目录，cp一个
1 cp docker-compose.override.yml.example docker-compose.override.yml
展开
确认根目录中有docker-compose.override.yml后，找到api的位置添加一行，如下
1 2 3 4 services: api: volumes: - ./librechat.yaml:/app/librechat.yaml
展开
保存后重新运行下就好

直接部署在Windows

如果生产环境不支持使用docker，那就需要直接部署在机器上，这点作者也想到了，所以有第二种办法，直接部署

clone对应项目
使用git clone命令获取到项目代码。如果是长期使用，这里笔者建议下载release版本较为稳定，目前（2024年5月23日）libreChat暂未发布release版本。
1 git clone https://github.com/danny-avila/LibreChat.git
展开
release版本
1 git clone --branch v0.7.2 https://github.com/danny-avila/LibreChat.git
展开
安装npm
前往官网按照步骤要求安装即可
1 Node.js 18+: https://nodejs.org/en/download
展开
安装mongodb
之前有讲过，该项目是为数不多的使用到数据库记录数据的项目，这里有用到mongodb也是直接去官网安装即可。
1 https://www.mongodb.com/try/download/community-kubernetes-operator
展开
默认配置安装好之后，浏览器中输入localhost:27017，正常会出现如下信息：
1 It looks like you are trying to access MongoDB over HTTP on the native driver port.
展开
如果后续有经常使用数据库的地方，建议再安装一个可视化的数据库管理工具，这里建议安装mongodb自带的工具和robot3t
安装完成后，需要配置下mongodb，这里建议配置下IP和端口：
Windows的配置文件一般在C:\Program Files\MongoDB\Server\7.0\bin目录下的mongod.cfg文件
这里需要配置下bindip，默认应该是127.0.0.1，改成0.0.0.0就可以局域网其他机器访问了
修改.env
配置完mongodb后需要修改项目中.env中mongodb的地址到自己刚刚配置的数据库中，默认是127.0.0.1，如果项目部署在和数据库一起的地方则不用修改
build项目
逐步输入以下命令
1 2 3 npm ci npm run frontend npm run backend
展开
如果npm失败，概率是因为网络问题，使用以下三条命令，设置下镜像和超时时间，清理下缓存：
1 2 3 npm config set registry https://registry.npmmirror.com npm config set fetch-timeout 600000 npm cache clean --force
展开
再执行应该就没有问题了
访问http://localhost:3080/
更新代码
如果运行后需要修改或者更新代码，可以更新代码后再执行build项目的三行指令，嫌弃麻烦可以在项目根目录写一个bat，内容如下：
1 2 3 4 5 6 7 8 9 @echo off echo Running npm ci... CALL npm ci echo Running npm run frontend... CALL npm run frontend echo Running npm run backend... npm run backend:dev pause
展开

以上两种是最基础的部署办法，也就是能启动，更深入的细节可以结合笔者自己使用的部署&管理配置来看

安装部署方式选择：
笔者使用了docker快速验证了配置相关内容和配置调整，正式环境中笔者并没有使用docker来，虽然docker并不会影响性能相关，主要是笔者对于使用docker并不太熟练，为了在正式环境中更好的控制，笔者更偏向于在正式环境中直接部署的方式来使用。
所以部署环境笔者使用了npm，也就是直接部署的方式安装，但是笔者更推荐一般用户使用docker部署。

配置librechat.yaml

这里需要在工程根目录打开一个cmd，并执行一下命令根据作者提供的模板创建librechat.yaml

cp librechat.example.yaml librechat.yaml

展开

模型配置：

由于LibreChat是国外的工程，暂时（2024年6月11日）还不支持国内的模型接口，笔者这里也暂时没有使用国内模型API的需求，所以只配置了OpenAI和Ollama两种模型：

OpenAI

可以参考笔者的部署模板：

endpoints:
   azureOpenAI:
         # Endpoint-level configuration
         titleModel: "GPT-3.5-turbo"
         titleMethod: "completion"
         summarize: true
         summaryModel: "GPT-3.5-turbo"
         plugins: true
         groups:
         # Group-level configuration
         - group: "xxxxxx-sweden-central"
         apiKey: "xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"
         baseURL: "https://${INSTANCE_NAME}.openai.azure.com/openai/deployments/${DEPLOYMENT_NAME}/chat/completions?api-version=${version}"
         instanceName: "xxxxxx-sweden-central"
         models:
            GPT-3.5-turbo:
               deploymentName: gpt-35-turbo
               version: "2024-02-01"
            GPT-4:
               deploymentName: gpt-4-turbo
               version: "2024-02-15-preview"
               
         - group: "xxxxxx-us-north-central"
         apiKey: "xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"
         # baseURL: "https://xxxxxx-us-north-central.openai.azure.com/"
         baseURL: "https://${INSTANCE_NAME}.openai.azure.com/openai/deployments/${DEPLOYMENT_NAME}/chat/completions?api-version=${version}"
         instanceName: "xxxxxx-us-north-central"
         models:
            GPT-4o:
               deploymentName: gpt-4o
               version: "2024-02-01"

展开

一般修改下apiKey，instanceName，deploymentName即可使用

Ollama

Ollama是在本地部署的大模型，所以需要先部署好本地的Ollama和对应模型，再在endpoints下一层级如下配置：

  custom:
   # Groq Example
   - name: "Ollama"
      apiKey: "ollama"
      baseURL: "http://xx.xx.xxx.xxx:11434/v1" 
      models:
      default: [
            "qwen:110b",
            "llama3:70b"
            ]
      fetch: false # fetching list of models is not supported
      titleConvo: true
      titleModel: "qwen:110b"
      summarize: false
      summaryModel: "qwen:110b"
      forcePrompt: false
      modelDisplayLabel: "Ollama"
      addParams:
         "stop": [
            "<|start_header_id|>",
            "<|end_header_id|>",
            "<|eot_id|>",
            "<|reserved_special_token"
         ]

展开

一般修改下模型名称和本地部署的ip地址即可

自定义隐私政策和服务政策

配置这里的跳转链接

笔者这里配置成自己的blog链接了

# Custom interface configuration
interface:
# Privacy policy settings
privacyPolicy:
   externalUrl: 'https://winxuan.github.io/plan/'
   openNewTab: true

# Terms of service
termsOfService:
   externalUrl: 'https://winxuan.github.io/plan/'
   openNewTab: true      

展开

配置.env
这里需要在工程根目录打开一个cmd，并执行一下命令根据作者提供的模板创建.env
1 cp .env.example .env
展开
1. 配置mongodb
  由于项目需要使用到mongodb数据库，安装完成数据库或者有现成的数据库，需要配置下对应的数据库链接
  1 MONGO_URI=mongodb://用户名:密码@ip地址:27017/LibreChat?authSource=admin
  展开
  一般修改下用户名密码和ip地址就好
2. 配置项目ip地址
  项目默认是本地的ip地址，如果其他机器需要访问，可能会出现无法访问的问题，配置下对应的几个ip地址即可
  1 2 3 HOST= DOMAIN_CLIENT= DOMAIN_SERVER=
  展开
3. 屏蔽不需要AI产品
  作者默认是展示所有支持的AI产品，也就是我们默认启动后，左上角下拉框显示的AI能力，如果只想展示几种，则可以编辑如下字段：
  找到被默认注释的：
  1 # ENDPOINTS=openAI,assistants,azureOpenAI,bingAI,google,gptPlugins,anthropic
  展开
  解开注释，并将后面支持的AI修改成自己想要的，比如笔者希望有Azure，Ollama和plugin
  则对应的ENDPOINTS配置如下：
  1 ENDPOINTS=azureOpenAI,gptPlugins,ollama
  展开
  上述配置也会影响到显示顺序，比如笔者这里的配置即显示如下顺序
4. 配置邮箱
  之所以要配置邮箱相关，是因为作者提供了用户重置密码的能力，重置密码需要向用户邮箱发送一封修改密码的邮件，如果这里不配置会导致任何人只要知道邮箱就能重置对应的密码。
  建议使用gmail，作者这里也给出配置的具体方法了
  setup-with-gmail
  笔者这里配置完成后如下：
  尝试下重置密码，邮箱会收到对应的邮件：
5. 软件名修改
  如果需要更换email内容中的LibreChat，根据如下代码可以看出，需要再env中配置appname
  1 2 3 APP_TITLE=LibreChat # CUSTOM_FOOTER="My custom footer" HELP_AND_FAQ_URL=https://librechat.ai
  展开
  对应可以修改为
  1 2 3 APP_TITLE=AIChat CUSTOM_FOOTER="Footer" HELP_AND_FAQ_URL=https://winxuan.github.io
  展开
  这里修改之后，不仅仅可以修改email中信息，对应的浏览器打开时的标题等也会被更改
  会被修改为
  如果想修改的比较彻底，对应的index也可以将其修改掉

部署在Linux（树莓派）

笔者在家里有树莓派长期运行，所以部署在树莓派上是一个非常好的选择。

update
1 2 sudo apt update sudo apt upgrade
展开
使用树莓派的默认仓库安装
1 sudo apt-get install nodejs npm
展开
验证安装
1 2 node -v npm -v
展开
如果发现版本过低，比如这里node显示版本是 12.22.12，则后续安装可能失败，
出现这个问题，建议执行以下操作
1. 移除旧版本
  1 sudo apt remove nodejs
  展开
2. 添加NodeSource仓库
  1 curl -fsSL https://deb.nodesource.com/setup_lts.x | sudo -E bash -
  展开
3. 安装新版本
  1 sudo apt install -y nodejs
  展开
4. 验证版本
  1 node -v
  展开
准备好.env文件和librechat.yaml
配置参数见Windows安装中的配置，这里不区分系统

mongdb

笔者这里的mogodb已经有现成可用的，没有再安装新的，如果需要在Linux中安装mongodb，按照以下步骤进行：

更新
1 sudo apt update
展开
安装
1 apt install -y mongodb-org
展开

配置

sudo nano /etc/mongod.conf #将bindIp修改为局域网ip,比如0.0.0.0,这样才能局域网访问
sudo chown -R  mongodb:mongodb /data/mongodb/ #mongodb是使用mongodb用户启动的需要改变其归属
sudo service mongod start #启动命令

展开

连接的话建议使用robot3t或者mongodb官网自带的，看个人使用习惯

build项目
逐步输入以下命令
1 2 3 npm ci npm run frontend npm run backend
展开
如果npm失败，概率是因为网络问题，使用以下三条命令，设置下镜像和超时时间，清理下缓存：
1 2 3 npm config set registry https://registry.npmmirror.com npm config set fetch-timeout 600000 npm cache clean --force
展开
再执行应该就没有问题了
如果你有配置一些vpn，比如笔者这里有配置socks5的，就可以全局使用vpn
1. 使用 npm config 设置代理：
  1 2 npm config set proxy socks5://192.168.50.113:1080 npm config set https-proxy socks5://192.168.50.113:1080
  展开
2. 设置完成后，你可以验证设置：
  1 2 npm config get proxy npm config get https-proxy
  展开
3. 不想使用，删除对应配置即可
  1 2 npm config delete proxy npm config delete https-proxy
  展开
访问http://树莓派IP地址:3080/

启动用脚本

如果觉得每次都需要输入三个命令去启动，嫌麻烦可以写一个sh脚本

#!/bin/bash

# 设置错误处理
set -e

# 定义日志函数
log() {
   echo "[$(date '+%Y-%m-%d %H:%M:%S')] $1"
}

# 切换到项目目录
# 注意：替换 /path/to/your/project 为你的实际项目路径
cd /home/pi/github/LibreChat/

# 执行 npm ci
log "开始执行 npm ci"
npm ci
log "npm ci 执行完成"

# 执行 npm run frontend
log "开始执行 npm run frontend"
npm run frontend
log "npm run frontend 执行完成"

# 执行 npm run backend 并在后台运行
log "开始执行 npm run backend（后台运行）"
nohup npm run backend:dev > output.log 2>&1 &
log "npm run backend 已在后台启动"

# 等待一段时间，确保后台进程已经启动
sleep 10

log "所有命令执行完毕"

展开

停止运行
笔者暂时没有找到更好的办法，一般是直接杀掉所有node
1 killall node
展开

AIGC, OpenAI

chatgpt

本文由作者按照 CC BY 4.0 进行授权

前言

部署过程

使用Docker部署

直接部署在Windows

部署在Linux（树莓派）

热门标签