之前三金介绍了很多 AI 大模型以及如何编写 AI Prompt 的文章，但从实际应用的维度来看，我们在使用这些 AI 产品时 一般都是将它作为一个搜索引擎来使用的，并没有发挥出它应有的价值 。
为什么这么说呢？
首先，大多数情况下我们只是通过和 AI 对话来获取自己想要的答案，一个标准的、符合预期的回答 往往需要多轮对话才会产生 ；
其次， 对于一些实时信息、企业内部资料等数据，无法从此类 AI 应用上获取 ；
最后， 单纯通过和 AI 对话来完成一些任务的效率太低，无法很好地发挥 AI 的能力 。
而 FastGPT——一款基于 LLM 大语言模型的知识库问答系统，可以完美地解决上述问题。它提供了开箱即用的数据处理、模型调用、RAG 检索、可视化 AI 工作流编排等能力，帮助我们轻松构建复杂的 AI 应用。
目前该项目在 Github 上已经拥有 14.3k 的 Star！
github 地址：https://github.com/labring/FastGPT
在线使用
FastGPT 提供了在线使用地址（https://fastgpt.in/），目前用户量已经超 9W+。
通过点击「开始使用」进入到登录页面，支持 Google 和 Github 一键登录：
这里三金使用 Github 进行登录，登录后默认进入到应用页面：
在 FastGPT 中，使用 AI 的前提就是需要创建一个应用，否则寸步难行，我们点击右上角的「+ 新建」按钮来创建一个应用：
在创建应用的对话框中有四种类型的应用供我们选择，分别是：
简易模版：一个极其简单的 AI 应用，你可以绑定知识库或工具。
对话引导 + 变量：可以在对话开始发送一段提示，或者让用户填写一些内容，作为本次对话的变量
知识库 + 对话引导：每次提问时进行一次知识库搜索，将搜索结果注入 LLM 模型进行参考回答
问题分类 + 知识库：先对用户的问题进行分类，再根据不同类型问题，执行不同的操作
我们选择简易模版创建一个最基础的应用。这个应用只拥有 AI 对话功能，且输出的内容来源于我们选择的 AI 模型（默认是 FastAI-3.5）：
我们还可以在左侧菜单中的「发布应用」里，将该应用通过免登录窗口的方式将其分享给其他小伙伴使用：
只需要动动小手，粘贴复制即可：
到这里，对于普通用户来讲已经基本满足日常生活中的大多数需求了。
但是对于一些团队、企业来说，这还远远不够！！
他们的数据是内部的，使用在线的 FastGPT 以及远程的 AI 模型会有数据泄漏的风险。这个时候我们可以选择使用本地部署的方式 + 本地 AI 大模型来实现一个完全私有化的 AI 智能应用。
docker-compose 快速部署
下载
docker-compose.yml
手动创建一个目录，并下载配置文件（https://github.com/labring/FastGPT/blob/main/projects/app/data/config.json）和对应版本的 docker-compose.yml （https://github.com/labring/FastGPT/blob/main/files/docker）文件(注意，不同向量库版本的文件不一样)。
修改
docker-compose.yml环境变量
FastGPT 一共有三个版本：PgVector 版本、Milvus 版本和 Zilliz 版本。
三金这边机器配置不高，所以选择使用默认的 PgVector 版本，这个版本无需修改配置。
启动容器
在 docker-compose.yml 同级目录下执行。请确保docker-compose版本最好在2.17以上，否则可能无法执行自动化命令。
docker-compose up -d
sleep 10
docker restart oneapi
在 OneAPI 中添加模型
其中 one-api 我们在上一篇文章中介绍过，这里就不多赘述了，感兴趣的朋友可以看这篇《使用 Docker 部署14.7k stars 的各大 AI 模型 key 分发及接口管理系统》。
访问 FastGPT
通过 IP:3000 的方式访问部署好的应用。登录用户名为 root，密码为 docker-compose.yml环境变量里设置的 DEFAULT_ROOT_PSW。
登录之后我们可以通过添加知识库的方式，将内部的一些资料上传：
新建一个通用知识库
在知识库中，导入文件-文本数据集
回到应用中添加对应的知识库即可
