WikiChat

让聊天机器人不再胡说八道，回答自带来源引用

WikiChat 是一个基于检索增强生成（RAG）的对话助手，旨在解决大语言模型在对话中产生的幻觉问题。它通过从维基百科等语料库中实时检索相关信息，并结合多步骤的检索、过滤和生成流程，确保回答的准确性和事实性。核心能力包括：对用户查询进行意图解析、从语料库中检索最相关的段落、对检索内容进行事实核查、最后生成带有引用来源的回答。WikiChat 在 EMNLP 2023 上发表，提供了完整的 Python 实现，支持自定义语料库，可轻松集成到现有应用中。它特别适合需要高事实准确性的场景，如知识问答、研究辅助和客服系统。

开源 unknown 对话助手

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1618

维护状态低维护

是否开源是

定价模式 unknown

项目数据

分类对话助手

开发团队stanford-oval

所属国家

官网地址https://wikichat.genie.stanford.edu

GitHubhttps://github.com/stanford-oval/WikiChat

定价模式unknown

价格说明定价信息待确认

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型chatbot,emnlp2023,factuality,llm,natural-language-processing,nlp,rag

GitHub 星标★ 1618

30天Star增速

HF 下载量

上线时间2023-10-19 00:00:00

最近更新2026-09-16 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数1

使用教程

难度：进阶约 30 分钟部署方式：本地安装 7 步

环境要求

Python 3.11（由 pixi.toml 中的 pixi 环境提供，含 pip、gcc、g++、make 及所需 Python 包）
Pixi 包管理工具（https://pixi.sh/latest/#installation 安装）
Docker（用于运行 Redis Stack 及检索用向量数据库，如 Text Embedding Inference 和 Qdrant）
至少一个 LLM 提供方的 API 密钥（支持 OpenAI、Azure、Anthropic、Mistral、HuggingFace、Together.ai、G

安装与启动步骤

1克隆仓库

把 WikiChat 源码下载到本地并进入项目目录，后续所有命令都在该目录内执行。
```
git clone https://github.com/stanford-oval/WikiChat.git
cd WikiChat
```
2创建并激活 Pixi 环境

先按 pixi 官网说明安装 Pixi，然后在仓库根目录创建并进入项目环境，之后所有命令都保持该环境激活。
```
pixi shell
```
3下载 spaCy 模型

spaCy 仅用于用户模拟功能，按 README 要求安装英文小模型。
```
python -m spacy download en_core_web_sm
```
4安装 Docker

WikiChat 依赖 Docker 运行 Redis Stack 和向量检索服务。Ubuntu 可尝试用内置命令安装，其他系统请按 Docker 官网说明安装。
```
inv install-docker
```
5配置 LLM 与 API 密钥

在 API_KEYS 中填入所选 LLM/服务的密钥，并在 llm_config 中配置要使用的模型，供后续 --engine 参数引用。
6终端运行 WikiChat

用 invoke 启动终端对话，--engine 可换成 llm_config 中配置的任意模型名，如 mistral-large、claude-sonnet-35、local。
```
inv demo --engine gpt-4o
```
7可选：多用户 Web 部署

启动 Chainlit 前后端，会话存入 Cosmos DB；前端默认在 5001 端口访问。
```
inv chainlit --backend-port 5001
```

关键配置

配置项	必填	说明	示例
`API_KEYS`	是	集中存放各服务密钥，如 LLM、嵌入模型与数据库的密钥	`EMBEDDING_API_KEY=sk-xxxxxxxx`
`llm_config`	是	配置可用的 LLM 引擎名称，供 inv demo --engine 调用	`gpt-4o`
`COSMOS_CONNECTION_STRING`	否	多用户部署时用于存储对话的 Cosmos DB 连接串，写在 API_KEYS 中	`COSMOS_CONNECTION_STRING=your-cosmos-connection-string`

如何确认成功

终端能进入 WikiChat 对话并返回带引用来源的回答；若用 Chainlit，浏览器可打开 5001 端口的聊天界面。

常见问题

Q：运行后提示 Error: Redis lookup failed 怎么办？

A：说明 Redis 未正确启动。查看 Redis Docker 容器日志排查，或按 Redis 官方文档手动安装 Redis。

Q：有哪些可用命令和参数？

A：执行 invoke --list（简写 inv -l）列出全部命令，用 inv [命令名] --help 或 inv demo --help 查看具体参数。

Q：怎么换成别的模型？

A：把 --engine 的值改成 llm_config 中已配置的引擎名，例如 mistral-large、claude-sonnet-35 或 local。

Q：想用自己的文档做检索源怎么办？

A：可自建索引：把文档预处理成 JSONL 后用 inv index-collection --collection-path --collection-name <集合名> 建立索引。

Q：能跑蒸馏小模型降低延迟和成本吗？

A：WikiChat>=2.0 与已发布的微调 LLaMA-2 检查点不兼容，需改用 v1.0 才能运行蒸馏模型。

注意事项

默认检索源是免费但限速的维基百科搜索 API，支持 25 种语言，高频调用可能受限。
仓库默认通过 Docker 使用 Redis Stack，请确认 Docker 服务已启动。
pixi shell 激活的环境需在所有后续命令中保持有效。
多用户部署的 Chainlit 前端与 Cosmos DB 逻辑写在 backend_server.py 和 database.py，换成其他数据库或前端需自行修改。

核心亮点

通过检索+过滤机制，显著降低大模型幻觉，回答更可靠
回答附带引用来源，用户可追溯信息出处，增强可信度
基于 EMNLP 论文，有学术背书，且代码开源可定制

不足之处

依赖外部语料库，检索延迟可能影响实时对话体验
文档/社区待观察

适用场景

企业知识库问答，确保回答基于内部文档
学术研究辅助，快速获取带引用的准确信息
新闻或事实核查类聊天机器人，避免传播错误信息

替代项目

RAGFlow、Haystack、LlamaIndex

项目介绍

WikiChat 是搜索知识领域的开源项目，由 stanford-oval 开发，2023 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（1,618）位列前 30%，在搜索知识分类中处于中上游。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-16。从国内网络环境看，可直接访问。

它主要面向的使用场景是：企业知识库问答，确保回答基于内部文档。同类可对比的替代方案包括 RAGFlow、Haystack、LlamaIndex。

上一篇：autoflow

下一篇：IncarnaMind