FastGPT 是一款专为客服问答场景而定制的开箱即用的 AI 知识库问答系统。该系统具备可视化工作流功能，允许用户灵活地设计复杂的问答流程，几乎能满足各种客服需求。
在国内市场环境下，离线部署对于企业客户尤为重要。由于数据安全和隐私保护的考虑，企业通常不愿意将敏感数据上传到线上大型 AI 模型 (如 ChatGPT、Claude 等)。因此，离线部署成为一个刚需。
幸运的是，FastGPT 本身是开源的，除了可以使用其在线服务外，也允许用户进行私有化部署。相关的开源项目代码可以在 GitHub 上找到：https://github.com/labring/FastGPT
正好上周 ChatGLM 系列推出了其最新一代的开源模型——ChatGLM3-6B。该模型在保留前两代模型流畅对话和低部署门槛的优点基础上，带来了以下新特性：
更强大的基础模型：ChatGLM3-6B 的基础模型，名为 ChatGLM3-6B-Base，具有更丰富的训练数据、更合理的训练策略和更多的训练步数。在语义、数学、推理、代码、知识等不同角度的数据集上测评显示，ChatGLM3-6B-Base 具有在 10B 以下的预训练模型中优秀的性能。
更完善的功能：ChatGLM3-6B 引入了全新设计的 Prompt 格式，除了支持正常的多轮对话，还原生支持如工具调用 (Function Call)、代码执行 (Code Interpreter) 和 Agent 任务等复杂场景。
更全面的开源计划：除了 ChatGLM3-6B，该团队还开源了基础模型 ChatGLM-6B-Base 和长文本对话模型 ChatGLM3-6B-32K。以上所有权重对学术研究完全开放，在登记后亦允许免费商业使用。
本文接下来将详细介绍如何私有化部署 ChatGLM3-6B，并与 FastGPT 结合，构建一个完完全全私有化的 AI 知识库问答系统。
通过这样的整合，企业不仅可以保证数据安全，还能利用最新、最强大的 AI 技术来提升客服效率和用户体验。
原文链接：https://forum.laf.run/d/1085
One API 部署
FastGPT 可以通过接入 One API 来实现对各种大模型的支持，你可以参考 FastGPT 的文档来部署 One API。
FastGPT 部署
如果你不嫌麻烦，可以选择在本地使用 Docker Compose 来部署 FastGPT。
我推荐直接使用 Sealos 应用模板来一键部署，Sealos 无需服务器、无需域名，支持高并发 & 动态伸缩。打开以下链接即可一键部署 👇
https://cloud.sealos.top/?openapp=system-fastdeploy%3FtemplateName%3Dfastgpt
- root password 是默认的密码，默认用户名是 root。
- base url 填入 One API 提供的 API 接口。假设 One API 地址是 https://xxx.cloud.sealos.top，那么 base url 就是 https://xxx.cloud.sealos.top/v1。如果你的 One API 和 FastGPT 都部署在 Sealos 中，这里的 base url 可以填入 One API 的内网地址，例如我的内网地址是：http://one-api-wkskpejy.ns-sbjre322.svc.cluster.local:3000/v1
- api key 填入由 One API 提供的令牌。
填好参数之后，点击【部署应用】：
部署完成后，点击【确认】跳转到应用详情。
等待应用的状态变成 running 之后，点击外网地址即可通过外网域名直接打开 FastGPT 的 Web 界面。
我们暂时先不登录，先把 ChatGLM3-6B 模型部署好，然后再回来接入 FastGPT。
ChatGLM3-6B 部署
ChatGLM3 的项目地址为：https://github.com/THUDM/ChatGLM3
该项目 README 已经提供了在 GPU 环境中如何进行部署的详细步骤。但本文我们将专门讨论如何在没有 GPU 支持的情况下，仅使用 CPU 来运行 ChatGLM3。
首先登录 Sealos 国内版集群：https://cloud.sealos.top/
然后打开【应用管理】：
应用名称随便填，镜像名为：registry.cn-hangzhou.aliyuncs.com/ryyan/chatglm.cpp:chatglm3-q5_1
CPU 和内存拉到最大值，不然跑不起来。容器暴露端口设置为 8000。然后点击右上角的【部署】：
部署完成后，点击查看运行日志：
很好，三分钟解决战斗！
将 ChatGLM3-6B 接入 One API
打开 One API 的 Web 界面，添加新的渠道：
- 类型选择 OpenAI。
- 名称按自己的心意填。
- 模型名称可以通过自定义模型名称来设置，例如：ChatGLM3。
- 密钥随便填。
- 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 的内网地址。
最后点击【提交】即可。
将 ChatGLM3-6B 接入 FastGPT
最后我们来修改 FastGPT 的配置，将 ChatGLM3-6B 接入 FastGPT。
首先在 FastGPT 的应用详情中点击【变更】：
然后点击配置文件中的 /app/data/config.json：
将文件值修改为如下的值：
{
"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（测试使用）",
"price": 0.1,
"defaultToken": 500,
"maxToken": 1800
}
]
}修改完成后，点击【确认】，然后点击右上角的【变更】，等待 FastGPT 重启完成后，再次访问 FastGPT，点击【立即开始】进入登录界面，输入默认账号密码后进入 FastGPT 控制台：
新建一个应用，模板选择【简单的对话】，点击【确认创建】。
AI 模型选择 ChatGLM3，然后点击【保存并预览】。
点击左上角【对话】打开一个聊天会话窗口：
按国际惯例先来测试一下它的自我认知：
再来检测一下数学能力：
逻辑推理能力：
接入 M3E 向量模型
刚刚我们只是测试了模型的对话能力，如果我们想使用 FastGPT 来训练知识库，还需要一个向量模型。FastGPT 线上服务默认使用了 OpenAI 的 embedding 模型，如果你想私有部署的话，可以使用 M3E 向量模型进行替换。M3E 的部署方式可以参考文档：https://doc.fastgpt.in/docs/custom-models/m3e/
