FastGPT 是一款專爲客服問答場景而定製的開箱即用的 AI 知識庫問答系統。該系統具備可視化工作流功能，允許用戶靈活地設計複雜的問答流程，幾乎能滿足各種客服需求。
在國內市場環境下，離線部署對於企業客戶尤爲重要。由於數據安全和隱私保護的考慮，企業通常不願意將敏感數據上傳到線上大型 AI 模型 (如 ChatGPT、Claude 等)。因此，離線部署成爲一個剛需。
幸運的是，FastGPT 本身是開源的，除了可以使用其在線服務外，也允許用戶進行私有化部署。相關的開源項目代碼可以在 GitHub 上找到：https://github.com/labring/FastGPT
正好上週 ChatGLM 系列推出了其最新一代的開源模型——ChatGLM3-6B。該模型在保留前兩代模型流暢對話和低部署門檻的優點基礎上，帶來了以下新特性：
-
更強大的基礎模型：ChatGLM3-6B 的基礎模型，名爲 ChatGLM3-6B-Base，具有更豐富的訓練數據、更合理的訓練策略和更多的訓練步數。在語義、數學、推理、代碼、知識等不同角度的數據集上測評顯示，ChatGLM3-6B-Base 具有在 10B 以下的預訓練模型中優秀的性能。
-
更完善的功能：ChatGLM3-6B 引入了全新設計的 Prompt 格式，除了支持正常的多輪對話，還原生支持如工具調用 (Function Call)、代碼執行 (Code Interpreter) 和 Agent 任務等複雜場景。
-
更全面的開源計劃：除了 ChatGLM3-6B，該團隊還開源了基礎模型 ChatGLM-6B-Base 和長文本對話模型 ChatGLM3-6B-32K。以上所有權重對學術研究完全開放，在登記後亦允許免費商業使用。
本文接下來將詳細介紹如何私有化部署 ChatGLM3-6B，並與 FastGPT 結合，構建一個完完全全私有化的 AI 知識庫問答系統。
通過這樣的整合，企業不僅可以保證數據安全，還能利用最新、最強大的 AI 技術來提升客服效率和用戶體驗。
One API 部署
FastGPT 可以通過接入 One API 來實現對各種大模型的支持，你可以參考 FastGPT 的文檔來部署 One API。
FastGPT 部署
如果你不嫌麻煩，可以選擇在本地使用 Docker Compose 來部署 FastGPT。
我推薦直接使用 Sealos 應用模板來一鍵部署，Sealos 無需服務器、無需域名，支持高併發 & 動態伸縮。打開以下鏈接即可一鍵部署 👇
https://cloud.sealos.top/?openapp=system-fastdeploy%3FtemplateName%3Dfastgpt
- root password 是默認的密碼，默認用戶名是 root。
- base url 填入 One API 提供的 API 接口。假設 One API 地址是 https://xxx.cloud.sealos.top，那麼 base url 就是 https://xxx.cloud.sealos.top/v1。如果你的 One API 和 FastGPT 都部署在 Sealos 中，這裏的 base url 可以填入 One API 的內網地址，例如我的內網地址是：http://one-api-wkskpejy.ns-sbjre322.svc.cluster.local:3000/v1
- api key 填入由 One API 提供的令牌。
填好參數之後，點擊【部署應用】：
部署完成後，點擊【確認】跳轉到應用詳情。
等待應用的狀態變成 running 之後，點擊外網地址即可通過外網域名直接打開 FastGPT 的 Web 界面。
我們暫時先不登錄，先把 ChatGLM3-6B 模型部署好，然後再回來接入 FastGPT。
ChatGLM3-6B 部署
ChatGLM3 的項目地址爲：https://github.com/THUDM/ChatGLM3
該項目 README 已經提供了在 GPU 環境中如何進行部署的詳細步驟。但本文我們將專門討論如何在沒有 GPU 支持的情況下，僅使用 CPU 來運行 ChatGLM3。
首先登錄 Sealos 國內版集羣：https://cloud.sealos.top/
然後打開【應用管理】：
應用名稱隨便填，鏡像名爲：registry.cn-hangzhou.aliyuncs.com/ryyan/chatglm.cpp:chatglm3-q5_1
CPU 和內存拉到最大值，不然跑不起來。容器暴露端口設置爲 8000。然後點擊右上角的【部署】：
部署完成後，點擊查看運行日誌：
很好，三分鐘解決戰鬥！
將 ChatGLM3-6B 接入 One API
打開 One API 的 Web 界面，添加新的渠道：
- 類型選擇 OpenAI。
- 名稱按自己的心意填。
- 模型名稱可以通過自定義模型名稱來設置，例如：ChatGLM3。
- 密鑰隨便填。
- 代理地址填入 ChatGLM3-6B 的 API 地址。如果你按照本教程把 One API 和 ChatGLM3-6B 全部部署在 Sealos 中，那就可以直接填 ChatGLM3-6B 的內網地址。
最後點擊【提交】即可。
將 ChatGLM3-6B 接入 FastGPT
最後我們來修改 FastGPT 的配置，將 ChatGLM3-6B 接入 FastGPT。
首先在 FastGPT 的應用詳情中點擊【變更】：
然後點擊配置文件中的 /app/data/config.json：
將文件值修改爲如下的值：
{
"SystemParams": {
"pluginBaseUrl": "",
"openapiPrefix": "openapi",
"vectorMaxProcess": 15,
"qaMaxProcess": 15,
"pgIvfflatProbe": 10
},
"ChatModels": [
{
"model": "ChatGLM3",
"name": "ChatGLM3",
"price": 0,
"maxToken": 4000,
"quoteMaxToken": 2000,
"maxTemperature": 1.2,
"censor": false,
"defaultSystemChatPrompt": ""
}
],
"QAModels": [
{
"model": "ChatGLM3",
"name": "ChatGLM3",
"maxToken": 8000,
"price": 0
}
],
"CQModels": [
{
"model": "ChatGLM3",
"name": "ChatGLM3",
"maxToken": 8000,
"price": 0,
"functionCall": true,
"functionPrompt": ""
}
],
"ExtractModels": [
{
"model": "ChatGLM3",
"name": "ChatGLM3",
"maxToken": 8000,
"price": 0,
"functionCall": true,
"functionPrompt": ""
}
],
"QGModels": [
{
"model": "ChatGLM3",
"name": "ChatGLM3",
"maxToken": 4000,
"price": 0
}
],
"VectorModels": [
{
"model": "text-embedding-ada-002",
"name": "Embedding-2",
"price": 0.2,
"defaultToken": 700,
"maxToken": 3000
},
{
"model": "m3e",
"name": "M3E（測試使用）",
"price": 0.1,
"defaultToken": 500,
"maxToken": 1800
}
]
}
修改完成後，點擊【確認】，然後點擊右上角的【變更】，等待 FastGPT 重啓完成後，再次訪問 FastGPT，點擊【立即開始】進入登錄界面，輸入默認賬號密碼後進入 FastGPT 控制檯：
新建一個應用，模板選擇【簡單的對話】，點擊【確認創建】。
AI 模型選擇 ChatGLM3，然後點擊【保存並預覽】。
點擊左上角【對話】打開一個聊天會話窗口：
按國際慣例先來測試一下它的自我認知：
再來檢測一下數學能力：
邏輯推理能力：
接入 M3E 向量模型
剛剛我們只是測試了模型的對話能力，如果我們想使用 FastGPT 來訓練知識庫，還需要一個向量模型。FastGPT 線上服務默認使用了 OpenAI 的 embedding 模型，如果你想私有部署的話，可以使用 M3E 向量模型進行替換。M3E 的部署方式可以參考文檔：https://doc.fastgpt.in/docs/custom-models/m3e/