门户类网站的主页设计,关于加强政务网站建设的通知,wordpress页脚代码,移动端网站搭建ollama fastgptm3e本地部署 开启WSL更新wsl安装ubuntu docker下载修改docker镜像源开启WSL integration 安装fastgpt先创建一个文件夹来放置一些配置文件用命令下载fastgpt配置文件用命令下载docker的部署文件 启动容器M3E下载ollama下载oneapi配置登录oneapi配置ollama渠道配… ollama fastgptm3e本地部署 开启WSL更新wsl安装ubuntu docker下载修改docker镜像源开启WSL integration 安装fastgpt先创建一个文件夹来放置一些配置文件用命令下载fastgpt配置文件用命令下载docker的部署文件 启动容器M3E下载ollama下载oneapi配置登录oneapi配置ollama渠道配置渠道m3e创建令牌 修改config.json重启容器FastGTP配置与使用登录新建知识库训练模型因为我这里使用的是本地文件去训练所以要选择 文本数据集这样就是训练好了这里之前我踩过一个坑就是一直在训练然后一条数据都没有这个一般都是向量模型的问题向量模型选错了或者是向量模型没办法访问所以上面配置渠道的时候一定要测试的原因就是这样的 创建应用 注意以上只是最初级的玩法要知识库好用的话还得慢慢研究 开启WSL
因为这里使用的win部署所以要安装wsl,如果是linux系统就没那么麻烦 控制面板-程序-程序和功能
更新wsl
wsl --set-default-version 2wsl --update --web-download安装ubuntu
wsl --install -d Ubuntudocker下载
官网下载docker官网
修改docker镜像源
因为docker下载的镜像源默认是国外的地址所以下载比较慢换成国内的镜像源下载会比较快一点
{registry-mirrors: [https://docker.m.daocloud.io,https://docker.1panel.live,https://hub.rat.dev]
}开启WSL integration 安装fastgpt
先创建一个文件夹来放置一些配置文件
mkdir fastgpt
cd fastgpt用命令下载fastgpt配置文件
curl -O https://raw.githubusercontent.com/labring/FastGPT/main/projects/app/data/config.json用命令下载docker的部署文件
# 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这里如果是测试的话就用简单模型就好了其他的高级玩法后面再慢慢摸索
启动容器
docker-compose up -dM3E下载
#查看网络
docker network ls
# GPU模式启动并把m3e加载到fastgpt同一个网络
docker run -d -p 6008:6008 --gpus all --name m3e --network fastgpt_fastgpt(这里你们的网络名称可能不是这个如果不是这个就按照你们查到的网络去填) stawky/m3e-large-api
# CPU模式启动并把m3e加载到fastgpt同一个网络
docker run -d -p 6008:6008 --name m3e --network fastgpt_fastgpt stawky/m3e-large-apiollama下载
ollama下载这里就不做说明了因为现在ollama下载比较简单需要的话我再出博客讲解
oneapi配置
模型的处理我们只要用的是oneapi来处理模型
登录oneapi
本机地址http://localhost:3001/
oneapi登录账号root 默认密码123456或者1234配置ollama渠道 base url那里的ip要换成本地ip 模型那里选择的模型要选择你本地ollama下载的模型 密钥可以随便填 添加完渠道记得要点一下测试测试通过了才能正常使用
配置渠道m3e base url要像我这样填写才行不然回出问题 模型要选m3e 密钥填sk-aaabbbcccdddeeefffggghhhiiijjjkkk 这里提交之后也要点测试看能不能通
创建令牌 这里记得选无限额度和永不过期 这里复制令牌放置docker-compose.yml文件中
# root 密码用户名为: root。如果需要修改 root 密码直接修改这个环境变量并重启即可。- DEFAULT_ROOT_PSW1234# AI模型的API地址哦。务必加 /v1。这里默认填写了OneApi的访问地址。- OPENAI_BASE_URLhttp://oneapi:3000/v1# AI模型的API Key。这里默认填写了OneAPI的快速默认key测试通后务必及时修改- CHAT_API_KEYsk-apETi4q0ohZoqLynBfA5CcAc716b44CcB9E7F3B0716d8c5f修改config.json
首先是加入ollama的本地模型
llmModels: [{model: qwen2.5:7b, // 模型名(对应OneAPI中渠道的模型名)name: qwen2.5:7b, // 模型别名avatar: /imgs/model/openai.svg, // 模型的logomaxContext: 125000, // 最大上下文maxResponse: 16000, // 最大回复quoteMaxToken: 120000, // 最大引用内容maxTemperature: 1.2, // 最大温度charsPointsPrice: 0, // n积分/1k token商业版censor: false, // 是否开启敏感校验商业版vision: true, // 是否支持图片输入datasetProcess: true, // 是否设置为文本理解模型QA务必保证至少有一个为true否则知识库会报错usedInClassify: true, // 是否用于问题分类务必保证至少有一个为trueusedInExtractFields: true, // 是否用于内容提取务必保证至少有一个为trueusedInToolCall: true, // 是否用于工具调用务必保证至少有一个为trueusedInQueryExtension: true, // 是否用于问题优化务必保证至少有一个为truetoolChoice: true, // 是否支持工具选择分类内容提取工具调用会用到。目前只有gpt支持functionCall: false, // 是否支持函数调用分类内容提取工具调用会用到。会优先使用 toolChoice如果为false则使用 functionCall如果仍为 false则使用提示词模式customCQPrompt: , // 自定义文本分类提示词不支持工具和函数调用的模型customExtractPrompt: , // 自定义内容提取提示词defaultSystemChatPrompt: , // 对话默认携带的系统提示词defaultConfig: {}, // 请求API时挟带一些默认配置比如 GLM4 的 top_pfieldMap: {} // 字段映射o1 模型需要把 max_tokens 映射为 max_completion_tokens},像我用的是qwen2.5你们可以根据自己的模型进行选择
然后加入向量模型vectorModels
vectorModels: [{model: m3e, // 模型名与OneAPI对应name: m3e, // 模型展示名avatar: /imgs/model/openai.svg, // logocharsPointsPrice: 0, // n积分/1k tokendefaultToken: 700, // 默认文本分割时候的 tokenmaxToken: 3000, // 最大 tokenweight: 100, // 优先训练权重defaultConfig:{}, // 自定义额外参数。例如如果希望使用 embedding3-large 的话可以传入 dimensions:1024来返回1024维度的向量。目前必须小于1536维度dbConfig: {}, // 存储时的额外参数非对称向量模型时候需要用到queryConfig: {} // 参训时的额外参数},重启容器
docker-compose down
docker-compose up -dFastGTP配置与使用
登录
本机地址http://localhost:3000
账号root 密码1234 新建知识库 这里选用通用知识库 索引模型也就是向量模型 文件处理模型就是用来做回答的模型
训练模型 因为我这里使用的是本地文件去训练所以要选择 文本数据集 这里是分割数据的模型用自动模式就好了 这样就是训练好了这里之前我踩过一个坑就是一直在训练然后一条数据都没有这个一般都是向量模型的问题向量模型选错了或者是向量模型没办法访问所以上面配置渠道的时候一定要测试的原因就是这样的
创建应用 这里测试的话就用简单应用就好了 这里选择模型选择完之后就可以用了
注意以上只是最初级的玩法要知识库好用的话还得慢慢研究
