AI工具FastGPT知识库的部署
FastGPT 是一个基于 LLM 大语言模型的知识库问答系统，提供开箱即用的数据处理、模型调用等能力。同时可以通过 Flow 可视化进行工作流编排，从而实现复杂的问答场景！
官方文档如下所示：
https://doc.tryfastgpt.ai/docs/intro/
FastGPT的能力如下：
1. 专属 AI 客服（很多公司目前都在用）
通过导入文档或已有问答对进行训练，让 AI 模型能根据你的文档以交互式对话方式回答问题。
2. 简单易用的可视化界面
FastGPT 采用直观的可视化界面设计，为各种应用场景提供了丰富实用的功能。通过简洁易懂的操作步骤，可以轻松完成 AI 客服的创建和训练流程。
3. 自动数据预处理
提供手动输入、直接分段、LLM。自动处理和 CSV 等多种数据导入途径，其中“直接分段”支持通过 PDF、WORD、Markdown 和 CSV
文档内容作为上下文。FastGPT 会自动对文本数据进行预处理、向量化和 QA 分割，节省手动训练时间，提升效能。
4. 工作流编排
基于 Flow 模块的工作流编排，可以帮助你设计更加复杂的问答流程。例如查询数据库、查询库存、预约实验室等。
5. 强大的 API 集成
FastGPT 对外的 API 接口对齐了 OpenAI 官方接口，可以直接接入现有的 GPT 应用，也可以轻松集成到企业微信、公众号、飞书等平台。
FastGPT的特点如下：
独特的 QA 结构
针对客服问答场景设计的 QA 结构，提高在大量数据场景中的问答准确性。
可视化工作流
通过 Flow 模块展示了从问题输入到模型输出的完整流程，便于调试和设计复杂流程。
无限扩展
基于 API 进行扩展，无需修改 FastGPT 源码，也可快速接入现有的程序中。
便于调试
提供搜索测试、引用修改、完整对话预览等多种调试途径。
支持多种模型
支持 GPT、Claude、文心一言等多种 LLM 模型，未来也将支持自定义的向量模型。
然后再看看FastGPT的部署图：
这个图中可以清晰的看到，FastGPT使用MongoDB数据库和PostgreSQL数据库作为依赖的存储，同时基于OneAPI实现大模型的统一对接。
各个组件的含义如下：
MongoDB：用于存储除了向量外的各类数据
PostgreSQL/Milvus：存储向量数据
OneAPI: 聚合各类 AI API，支持多模型调用 （任何模型问题，先自行通过 OneAPI 测试校验）
在安装之前，我们需要准备好Docker和Docker Compose的环境，然后参考官方部署文档进行安装：
https://doc.tryfastgpt.ai/docs/development/docker/
安装的第一步就是下载config.json文件和docker-compose.yml文件，这里参考官方文档的下载方式即可。下载完成后我们放到同一个目录中。
下载命令如下：
1 | mkdir fastgpt |
然后参考官方文档安装和启动依赖镜像
1 | # 启动容器 |
操作完成后，可以看到它会出现如下一些需要的容器实例，这里我用的是Mac版本的Docker：
然后我们访问下FastGPT，浏览器输入：http://localhost:3000，看到主界面如下所示：
首次运行，会自动初始化 root 用户，密码为 1234，我们进行登录，登录后的主界面如下所示：
