效果展示在企业内部通常有各类知识库，例如IT手册、产品文档、制度规范、培训材料等。在AI技术火热的今天，将知识库与LLM大语言模型结合，可以实现“类ChatGPT”的问答体验，AI可以识别用户意图，从知识库中检索相关信息，并生成通俗易懂的回答，显著提升知识获取效率和用户体验。本文介绍博主为公司内部搭建的企业AI知识库实现过程。
一、架构设计1.1 架构设计图
1.2 组件说明
FastGPT：基于 LLM 大语言模型的知识库问答平台
OneAPI：聚合各类 AI API，支持多模型调用
MongoDB\PostgreSQL：Fastgpt依赖组件，用于存储核心配置数据和向量数据
OpenAI API：LLM模型接口，支持各种公共模型（如ChatGPT、DeepSeek、Claude等）或自建模型OpenAI接口
1.3 流程描述
在整体设计中，我们主要依赖FastGPT、OneAPI组件实现，大致流程如下：首先在OneAPI中配置接入LLM模型接口，然后FastGPT通过OneAPI调用语言模型用于用户对话，调用向量模型用于拆解知识库文档，最后再将FastGPT生成的应用窗口，通过iFrame形式嵌入到我们自有的服务台中，实现用户交互。
二、部署实施2.1 FastGPT部署
这里采用官网推荐的Docker-Compose方式部署，docker-compose文件和模型配置config.json文件可参考官方文档：
https://doc.fastgpt.cn/docs/development/docker/
配置文件准备完成后，docker-compose up启动fastgpt服务。
2.2 配置OneAPI
这里博主使用了公司自研的大模型运维平台-星环LLMOPS作为示例，其他公有模型接口参考FastGPT或OneAPI官方文档即可。
首先进入LLMOPS平台，我们选择Qwen3-30B-A3B-128k-nothink（无CoT）模型，在服务列表-服务详情-查看调用示例中，创建API-Key，然后从调用示例中获取API baseURL和model名称
调用示例：
curl -k -X POST '{API_BASEURL}' \-H "Content-type: application/json" \-H "Authorization: Bearer {API_KEY}" \-d '{ "messages": [ { "role": "system", "content": "你是一个很有用助手" }, { "role": "user", "content": "请简单介绍一下自己的作用" } ], "model": "atom", //MODEL_NAME "stream": true}'进入OneAPI后台配置页面，配置渠道-新增渠道，类型选择自定义渠道，将LLMOPS调用示例中获取的API_BASEURL、API_KEY、MODEL_NAME分别填写到OneAPI渠道中的BaseURL、密钥、模型字段，然后保存并测试渠道
若测试有报错，可以在LLMOPS后台调用记录中查看接口调用详情
2.3 配置FastGPT
我们的自有模型添加完成后，还需要集成到FastGPT中供其调用，编辑config.json文件，在llmModels和vectorModels列表中添加我们自定义的模型，其中参数配置可参考官方配置手册。
"llmModels": [ { "model": "atom", // 模型名(对应OneAPI中渠道的模型名) "name": "llmops_atom", // 模型别名 "maxContext": 128000, // 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true） "usedInExtractFields": true, // 是否用于内容提取（务必保证至少有一个为true） "usedInToolCall": true, // 是否用于工具调用（务必保证至少有一个为true） "toolChoice": true, // 是否支持工具选择（分类，内容提取，工具调用会用到。） "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_p） "fieldMap": {} // 字段映射（o1 模型需要把 max_tokens 映射为 max_completion_tokens） } ], "vectorModels": [ { "model": "atom", // 模型名（与OneAPI对应） "name": "atom", // 模型展示名 "charsPointsPrice": 0, // n积分/1k token "defaultToken": 700, // 默认文本分割时候的 token "maxToken": 3000, // 最大 token "weight": 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 }, ],配置文件准备完毕后，使用docker compose restart重启FastGPT服务，启动完成后进入FastGPT后台。
2.3.1 创建知识库
左侧菜单栏-新建知识库，索引模型和文件处理模型都选择为我们自定义的模型，创建知识库
进入知识库，选择导入数据集，这里选择通过网页+选择器方式来导入数据集，确认数据导入后，知识库就准备完毕了
2.3.2 创建AI应用
点击应用-新建应用，场景选择知识库+对话引导，AI模型选择我们自定义的llmops_atom模型，提示词和对话开场白可自定义，以下是我的提示词和对话模板，可供参考：
提示词：
你是一个基于星环科技内部IT知识库和星环LLMOPS平台训练的面向内部员工的AI助手回答要求：- 请使用简洁且专业的语言来回答用户的问题。- 如果你不知道答案，请回答“没有在知识库中查找到相关信息，建议咨询相关技术支持或参考[IT知识库](http://it-kb.transwarp.io/)文档进行操作”。- 避免提及你是从已知信息中获得的知识。- 请保证答案与已知信息中描述的一致。- 请使用 Markdown 语法优化答案的格式。- 已知信息中的图片、链接地址和脚本语言请直接返回。- 请使用与问题相同的语言来回答。
?你好，我是IT-AI小助手，帮助你解答公司内IT相关问题。你可以向我提问：[介绍一下你自己][如何配置远程办公VPN][如何配置代理服务器]***?知识库未覆盖到的问题会根据记录逐步标注完善?GPT 也可能会犯错，重要信息请务必核查
在关联知识库中，选择我们刚刚创建完成的知识库，搜索模式选择语义检索并开启问题优化，优化模型同样选择我们创建的atom模型
配置完成后，我们在调试预览中与AI对话测试，不出意外的话AI已经可以正常回答知识库问题啦！
我们最终的使用场景是在已有的IT服务台中进行AI对话，这里我选择最简单的实现方式——iFrame窗口嵌入
3.1 导出应用
在FastGPT应用窗口中，选择发布应用，选择免登录窗口，创建新链接，使用方式选择iFrame，然后复制出iframe代码块。
3.2 嵌入窗口
在IT服务台前端代码中，新建Vue视图，调整iFrame窗口宽高和边框样式，即可完成嵌入，将视图发布出来即可实现最终效果啦！
<template> <iframe src="http://172.16.20.41:3000/chat/share?shareId=tg8ci9osgnf2zvzwz1lpp12k" style="width: 100%; height: calc(100vh - 126px);" frameborder="0" allow="*" /></template>
