一、介绍

上一节我们讲到《企业本地知识库的搭建选型方案》，本节我们介绍其中的方案一：FastGPT。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。同时具备通过 Flow 可视化的方式进行工作流编排能力，具备多种数据格式的多库复用混用知识库能力，免登录分享窗口和iframe嵌入其他应用的能力的等等。

官网地址：doc.fastgpt.in/docs/intro/

github地址：https://github.com/labring/FastGPT

功能亮点：

  • 专属 AI 客服

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。

  • 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。

  • 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。

  • 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。

  • 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。

二、本地部署和运用

  • 2.1 本地部署和配置：

注意需要依赖docker环境和本地大模型推理引擎框架ollama。

>$ ollama pull deepseek-r1:8b #部署模型
>$ ollama pull bge-m3 #部署向量模型
>$ mkdir fastgpt
>$ curl -O https://raw.githubusercontent.com/labring/FastGPT/main/projects/app/data/config.json
>$ curl -o docker-compose.yml https://raw.githubusercontent.com/labring/FastGPT/main/files/docker/docker-compose-pgvector.yml
>$ docker-compose up -d #启动容器

http://localhost:3000 打开浏览器登录：root/1234

配置模型和向量模型：【账号】->【模型提供商】->【模型配置】->【新增模型】->【语言模型】和【索引模型】，如下：

配置模型渠道：【账号】->【模型提供商】->【模型渠道】【新增渠道】，添加成功后可以点击按钮做一个测试，提示成功说明配置完成，如下：

  • 2.2 创建应用：

创建建议应用：【工作台】->【新建】->【简易应用】，确认后AI模型选择上面我们添加过的模型即可进行正常的对话:

  • 2.3 创建知识库：

创建建议应用：【知识库】->【新建】->【通用知识库】确认创建，【新建/导入】->【文本数据集】如下:

案例： 下面以最近实施的一个项目为例，企业怎么高效准确的通过招聘jd匹配最合适的求职者，提高企业的招聘效率，让hr从繁重的人工筛选简历中释放出来，让hr的工作重心回归企业的发展和员工关怀上。我们可以通过把企业人才储备库中的优质候选人导入到内网的知识库，有招聘需求时随时准确高效的找到优质候选人简历。首先导入候选人简历到人才库：

对每份候选人简历分块并生成向量存储，可以查看每份数据的分块内容信息：

创建完成，看到已就绪，证明已搭建好知识库了。对上面我们刚刚创建的应用“智能助手”，进行知识库关联，完成关联后，点击【参数】进行配置，可以设置“搜索模式”、“搜索过滤”和“问题优化”，这里“搜索过滤”可以设置引用上限设置单词搜索最大token数和最低相关度。这里设置“问题优化”，AI模型还是选择deepseek r1，如下图：

最后我们可以通过一个问题做验证：“请帮我找出有运营总监经历的候选人，要求有抖音、快手等平台的运营经验，要求候选人有消费电子和家电行业经验，能带领团队快速拿到结果的经历”。可以看到给出了思考过程，并且显示了引用的知识库文档，能准确的搜索到高度相关的候选人简历，如下：

三、小结

经过整体体验下来功能比较完善，检索的能力也非常准确有效。使用和接入其他系统都很方便。支持复杂的工作流编排增强了系统的灵活性。

注意点：

1、ollama目前还没有支持的重排模型，需要去轨迹流动或事huggingface上先下载rerank模型，在修改config.json文件添加：

"reRankModels": [
{
"model": "BAAI/bge-reranker-v2-m3", // 这里的model需要对应 siliconflow 的模型名
"name": "BAAI/bge-reranker-v2-m3",
"requestUrl": "https://api.siliconflow.cn/v1/rerank",
"requestAuth": "siliconflow 上申请的 key"
}
]

2、应用关联知识库时绑定知识库搜索配置建议：混合检索。使用重排模型来对搜索的结果排序召回；

使用场景： 帮助企业整合内部文档和知识提高信息获取的效率；通过工作流实现智能问答客服机器人场景（包括大模型、知识库和与内部系统数据打通）；集成到微信钉钉实现工作助手。

缺点： 开源版使用上有一些限制且功能不够完整，如果要具备完整的功能和使用使用限制需要使用商业版或线上版，需要一定的费用预算。

如果觉得这篇文章对你有帮助，别忘了点赞、在看、转发哦！

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

在这里插入图片描述

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

  • 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
  • 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
  • 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
  • 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

在这里插入图片描述

  • 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
  • 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
  • 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
  • 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：


三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

在这里插入图片描述

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

img

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

img

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

img

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

img

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

img

L5阶段：专题集丨特训篇 【录播课】

img
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！

# 人工智能 # 数据库
Logo
北京朝阳AI社区

更多推荐

PHP网页编辑器升级打造高效内容发布平台新利器

请求频率限制：IP+UserAgent的双维度控制

avatar 北京朝阳AI社区

vlanresenu.dll vlanagent.dll vlabout.dll vjsproj.dll vjsplgui.dll vjsplg.dll vjsnativ.dll

以上只是通用的运行库dll处理方式，如果你遇到缺失文件是第三方的软件文件，那么就需要下载到属于这个程序所匹配的版本的文件，然后将这个文件复制到这个程序的安装目录下才能解决问题。如果我们遇到关于文件在系统使用过程中提示缺少找不到的情况，如果文件是属于运行库文件的可以单独下载文件解决，但还是建议安装完整的运行库，可以尝试采用手动下载替换的方法解决问题！文件下载完成后，下方列表会有很多个不同版本的文件，

avatar 北京朝阳AI社区

人工智能使用教程测试一：基于第一性原则的逻辑构建与运算-企业组织管理咨询

高效交换的实现，反过来又会强化 共识、丰富 价值、验证 规则，形成一个强大的增强回路。组织的终极目的，是持续提升交换的效率。根据诊断结果，运用“环境调音台”和“量子决策模型”，对相应的支柱进行针对性修复和强化（如重构价值主张、简化规则体系、重塑组织叙事）。(总熵值由三大支柱的熵值决定，“效率”作为结果，不再参与熵值计算，而是被用来衡量抗熵增的成功程度)Er3 = (规则例外率 * 0.5) + (

avatar 北京朝阳AI社区