引言

传统知识库的痛点

传统知识库广泛应用于企业文档管理、客户支持等场景，但随着信息量和复杂度的增加，存在以下显著问题：

• 数据难整合：结构化与非结构化数据分散，更新维护成本高。

• 检索不精准：依赖关键词匹配，难以理解语义，导致检索结果不相关或无效。

• 用户体验差：操作繁琐、学习曲线陡峭，缺乏智能和个性化支持。

AI时代对知识库需求

在信息爆炸和数字化转型背景下，企业需要更加智能的知识库。结合AI大模型的知识库具备以下优势：

• 语义级检索：通过语义理解，提供精准的查询结果。

• 智能交互：支持自然语言对话，用户体验更佳。

• 自动化维护：实现数据的自动整合与更新，降低维护成本。

在大模型的加持下，让以上问题有了新的解法，今天我们来介绍FastGPT如何利用AI大模型重新定义传统知识库。

01.

FastGPT知识库工作原理

 01  FastGPT简介

FastGPT是一个基于大语言模型（LLM）的智能化平台，擅长理解和处理自然语言。它通过深度学习技术，可以从各种数据源中自动提取和整合信息，生成语义丰富的知识库，并实现智能化的响应和检索。

 02  FastGPT知识库工作原理

1. 数据预处理：将文本拆分成更小的片段，比如：句子、段落。

2. 文本向量化：利用大模型生成语义高维向量。

3. 索引构建：将生成的语义向量构建成索引，通常包括向量索引和倒排索引。索引有助于快速检索相关片段，提高响应速度。

4. 检索与匹配：当用户查询时，查询内容也会被向量化，并在索引中匹配相关的语义向量

5. AI对话：利用大模型的上下文理解能力，理解用户需求，生成自然回答。

   
   

02.

搭建FastGPT知识库步骤

我们先来看一张FastGPT的部署架构图，主要包括FastGPT、MongoDB、PostgreSQL、OneAPI：

FastGPT有多个版本，分别为PgVector、Milvus、zilliz cloud，分别对应不同的配置要求，如下图：

文本仅作演示，因此选择PgVector版本

前置工作

Step1 确保网络环境 

如果使用OpenAI等国外模型接口，请确保可以正常访问，否则会报错：Connection error 等

Step2 准备 Docker 环境 

# 安装 Dockercurl -fsSL https://get.docker.com | bash -s docker --mirror Aliyunsystemctl enable --now docker# 安装 docker-composecurl -L https://github.com/docker/compose/releases/download/v2.20.3/docker-compose-`uname -s`-`uname -m` -o /usr/local/bin/docker-composechmod +x /usr/local/bin/docker-compose# 验证安装docker -vdocker-compose -v# 如失效，自行百度~

开始部署 

Step1 下载 docker-compose.yml 

所有 docker-compose.yml 配置文件中 MongoDB 为 5.x，需要用到AVX指令集，部分 CPU 不支持，需手动更改其镜像版本为 4.4.24（需要自己在docker hub下载，阿里云镜像没做备份）

Linux 快速脚本

mkdir fastgptcd fastgptcurl -O https://raw.githubusercontent.com/labring/FastGPT/main/projects/app/data/config.json
# pgvector 版本(测试推荐，简单快捷)curl -o docker-compose.yml https://raw.githubusercontent.com/labring/FastGPT/main/files/docker/docker-compose-pgvector.yml# milvus 版本# curl -o docker-compose.yml https://raw.githubusercontent.com/labring/FastGPT/main/files/docker/docker-compose-milvus.yml# zilliz 版本# curl -o docker-compose.yml https://raw.githubusercontent.com/labring/FastGPT/main/files/docker/docker-compose-zilliz.yml

Step2 启动容器 

在 docker-compose.yml 同级目录下执行。请确保docker-compose版本最好在2.17以上，否则可能无法执行自动化命令。

# 启动容器docker-compose up -d# 等待10s，OneAPI第一次总是要重启几次才能连上Mysqlsleep 10# 重启一次oneapi(由于OneAPI的默认Key有点问题，不重启的话会提示找不到渠道，临时手动重启一次解决，等待作者修复)docker restart oneapi

Step3 打开 OneAPI 添加模型 

简单说明一下OneAPI的作用和原理，这里可以把OneAPI当作一个接口网关：

• 默认情况下，FastGPT 只配置了 GPT 的模型，如果你需要接入其他模型，需要进行一些额外配置。

• One API 是一个 OpenAI 接口管理 & 分发系统，可以通过标准的 OpenAI API 格式访问所有的大模型，开箱即用。

• FastGPT 可以通过接入 One API 来实现对不同大模型的支持

通过 ip:3001访问OneAPI，默认账号为 root 密码为 123456。

在oneapi中添加合适的AI模型渠道，如果搭建服务器可以访问openai，则可以跳过此步骤.

如果想使用国内大模型或者本地部署的模型，下文会涉及。

Step4 访问 FastGPT 

目前可以通过 ip:3000 直接访问(注意防火墙)。登录用户名为 root，密码为docker-compose.yml环境变量里设置的 DEFAULT_ROOT_PSW。

02.

接入国产大模型

如果无法科学上网，或者想接入国产大模型，甚至知识库可能设置一些敏感数据，想接入本地大模型的，可以参考本章节，这里以接入国产大模型为例，接入本地大模型类似。

FastGPT可以统一接入不同模型的核心原理，是借助了另一个开源项目的能力：oneapi

项目地址：https://github.com/songquanpeng/one-api

Step1 打开oneapi，添加渠道

因为这里只是做演示用途，我们可以使用阿里灵积提供的免费开源大模型

模型列表：https://help.aliyun.com/zh/model-studio/getting-started/models

我们这里使用 qwen1.5-1.8b-chat 作为文本处理模型，text-embedding-v2 作为索引模型（文本向量）

密钥获取地址：https://dashscope.console.aliyun.com/apiKey

Step2 测试渠道

添加 text-embedding-v2 渠道方法同理

Step3 修改FastGPT配置文件

测试通过后，我们需要修改FastGPT的配置文件，然后重启FastGPT

打开 fastgpt/config.json，在llmModels下添加 qwen1.5-1.8b-chat 的配置，注意 datasetProcess 需要设置为 true，如下图所示：

{"model": "qwen1.5-1.8b-chat","name": "qwen1.5-1.8b-chat","avatar": "/imgs/model/openai.svg","maxContext": 32000,"maxResponse": 2000,"quoteMaxToken": 120000,"maxTemperature": 1.2,"charsPointsPrice": 0,"censor": false,"vision": true,"datasetProcess": true,"usedInClassify": true,"usedInExtractFields": true,"usedInToolCall": true,"usedInQueryExtension": true,"toolChoice": true,"functionCall": false,"customCQPrompt": "","customExtractPrompt": "","defaultSystemChatPrompt": "","defaultConfig": {}},

在 vectorModels 标签下添加 text-embedding-v2

{"model": "text-embedding-v2","name": "text-embedding-v2","avatar": "/imgs/model/openai.svg","charsPointsPrice": 0,"defaultToken": 1536,"maxToken": 2048,"weight": 100},

重启FastGPT

docker-compose downdocker-compose up -d

Step4 创建知识库

打开FastGPT，点击左侧“知识库”，右上角点击“创建”

选择“通用知识库”

文本处理模型选择刚刚配置好的 qwen1.5-1.8b-chat，索引模型选择 text-embedding-v2

创建完成后，进入知识库，点击创建/导入，这里以导入文本数据集为例

这里准备了一个docx文本数据，这里描述了发生故障的时间和根因。实际操作中，可以使用企业内部沉淀的学习资料，故障复盘等、操作手册等

导入时，选择“本地文件”

数据处理方式

上传数据

创建应用

点击工作台，创建“简易应用”

填写应用名字，选择“知识库+对话引导”

创建成功后，进入应用，修改AI模型：qwen1.5-1.8b-chat

选择AI模型

可以根据需要调整模型温度、回复上限、和聊天记录数量

关联知识库

选择刚刚创建的知识库

发布应用

问答测试

选择我们刚刚创建好的应用，就可以开始聊天了

我们尝试提问某天发生了什么故障，以及根因是什么？

可以看出，FastGPT根据知识库给出了准确答案，根据AI进行了扩展，问答下方有标注答案应用的出处

点击回答下方的查看详情，可以看到知识库的工作流程。

首先，FastGPT会根据将用户提问的问题交给向量模型做向量化，然后匹配本地知识库索引

结合上下文发送给AI大模型，生成自然语言的回答。

这里再简单说明下使用文本向量作为索引模型的原因：

文本向量的原理

1. 什么是文本向量：可以把文本向量想象成一个由数字组成的“坐标”，用来表示一句话或一段文字。比如，假设我们把每句话都放在一张巨大的地图上，这些数字就是地图上表示它们的位置。
2. 为什么要这样做：当两句话的意思很相似时，它们的“坐标”会在地图上靠得很近；如果意思差很多，坐标就会离得远。这种方式能帮助计算机理解哪些句子在说同一件事。
3. 如何生成这种“坐标”：生成这些坐标的方法有很多，比如通过机器学习，让计算机“读”大量的文本，学会用数字来表达语义信息。这样一来，计算机就能理解一些复杂的语言含义，而不仅仅是词语的表面意思。

FastGPT知识库使用文本向量的原因

1. 更聪明的搜索：传统的搜索只能匹配关键词，如果用户的提问和知识库中的表达方式不完全一样，可能找不到正确的答案。而用文本向量，系统可以理解提问的真正意思，即使用词不同，也能找到相关的答案。
2. 应对不同的说法：人们表达同一个意思的方式可能千差万别。文本向量能让系统识别这些不同的表达，从而更好地理解用户的问题。
3. 更灵活：随着知识库中的信息增加，文本向量可以帮助系统更容易地找到新知识，保持回答的准确性，而不需要频繁更新或手动调整。

总结

本篇文章详细介绍了如何使用FastGPT搭建向量知识库。FastGPT充分利用了大模型的自然语言处理和对话能力，大幅提高了知识搜索的精确度，同时优化了用户的使用体验。

此外，文章还阐述了FastGPT知识库的工作原理。通过将文本转换为向量来建立索引，并借助大模型的上下文理解能力，系统能够为用户生成准确且符合语境的回答。

这种方法不仅提升了信息检索的效率，还显著改善了用户与知识库的交互方式。