前言
我们公司最近也开始搞 AI 落地了——下半年的技术规划里，AI 的接入和落地已经被正式列为重点方向。说真的，这股趋势谁也挡不住，现在不论是大厂小厂，几乎都在 “卷 AI”。不搞点 AI 相关的项目，都不好意思说自己还在做研发。
拿我们公司举个例子，开发流程已经 AI 化了不少：代码合并前要走一遍大模型审查，写代码也基本都离不开 DeepSeek 或 GPT 的辅助。遇到啥奇奇怪怪的问题，第一反应不是百度，而是 “问 AI 一下试试看”。
甚至连我朋友最近面试都开始被问：“你在工作中有用过 AI 吗？都用在哪些场景用到过？” 这种问题现在已经从加分项变成了基本门槛。
大模型风口下，AI 应该怎么“真正用起来”？
不过话说回来，光靠 AI 帮忙写点代码、找找 bug，那我们这样算不算 “真正用了 AI” 呢？
如果我们除了用它写业务代码、调接口、查报错之外，还能让它去「理解业务逻辑、解答内部问题，甚至代替客服处理咨询」，那不就更厉害了吗？
其实现在不少公司已经开始往这个方向走了，尤其是一些对安全要求高、资料量大的企业，都会选择把大模型「私有化部署」到内部系统里。
这样一来，既能用 AI 的能力，又能把数据掌握在自己手里，避免信息泄露的风险。
比如，有些公司内部有成千上万份技术文档、操作规范、历史方案，如果靠人培训一个新人，可能得好几周；但要是让 AI 来读懂这些内容，用户问一句 “某某功能的配置流程怎么写”，直接回答，效率不就上来了？
也有的企业客服要处理大量重复性问题，内容基本固定，但更新频率高，光靠人力维护 FAQ 成本太高。这时候用 AI 来做一个 “能看懂我们内部资料的客服”，就特别香。
那问题来了：
❝难不成我要自己整一个 DeepSeek？或者撸个自己的 MCP？
❞
说实话，要是真能自己做出个 DeepSeek，那我都不打工了，直接融资去就完咯！
至于 MCP，我最近在掘金天天看，但是我是真没实际落地成功过 主要是感觉总是接触了一点皮毛就。MVP 搞过但是意义不大。
那怎么办？我们公司也没给我这种平台，更不会给我几个月专门搞这个的时间。
那我总得自己搞点 AI 落地的 “经验” 出来吧？
不然以后面试又被问：“你工作中怎么用 AI 的？”
我堂堂十年开发，说一句 “我会让 GPT 写 SQL” 就完了？那不得被挂在白板上……
所以就算公司现在没这个需求，我们在摸鱼的时候也得自己先动手搞搞 多研究研究，不管能不能用上，起码咱玩过，以后也知道除了 ChatGPT 和 DeepSeek，还有 Ollama，还有 FastGPT，还有 dify 甚至咱还搭过一整套系统......
这不就不一样了吗？
以后聊起来也能自信的说：“俺们自己也搞过本地私有化部署，用过向量模型，搞过知识库问答系统。”
这逼格不就来了？
这算不算也是跟着 AI 大潮刷了一波存在感，谁说搞技术的不能主动点？
从小做起：先搭一个内部 AI 问答系统试试
既然没有公司级的平台，也没法腾出时间去研发一个完整的 MCP，那我们就从一个能落地的小项目开始，先做出个能跑、能用、能展示的东西再说。
我们的目标也不复杂：让 AI 能看懂我们自己的资料，还能回答我们团队的问题。最好满足以下几个条件：
支持本地部署，数据不出公司，安全合规； 能基于文档做语义检索，问一句就能理解我想找什么； 搭建成本不要太高，普通服务器或者一台本地机器能跑就行； 最好还能接入大语言模型，支持自然语言对话，体验接近聊天。
那我们就可以有两个非常合适的工具组合：
「Ollama」：可以在本地运行各种开源大模型，部署非常简单，一条命令就能跑； 「FastGPT」：一个开源问答系统，自带文档上传、向量检索、模型调用，前后端一体，界面也挺简洁好用。
用这套方案，我们可以来搭了一个内部 AI 问答系统：不用联网就能使用，还能接入我们自己的文档数据，实际效果比预期的要好很多。
啥是 Ollama ？
Ollama 这玩意儿最近在技术圈挺火的，有些大佬已经玩得飞起了，但也有不少人一脸问号：这是个啥？能吃吗？
一句话介绍它——「Ollama 是一个让我们在本地用一条命令就能跑大模型的神器。」
没听错，真的就一条命令：
ollama run qwen:7b
然后它就会帮我们搞定模型下载、加载、推理服务启动，甚至还顺手给我们开个本地 API 接口，方便我们接前端、搞对话系统、做插件什么的，简直是 “懒人福音”。
对比那些要手动拉 GGUF、编译 llama.cpp、调一堆推理参数的做法，Ollama 就像是我们开发路上的外卖小哥——我们来下单，它送达，模型直接热腾腾地跑起来。
重点是：「本地部署、离线运行、隐私数据全掌控，谁用谁知道。」
❝这里我就不展开详细介绍了，不了解的同学可以去官网看看：Ollama，或者直接去掘金搜 “Ollama” 相关的文章，有些大佬讲得非常细，适合入门 + 深挖。
❞
FastGPT 是什么？是不是 ChatGPT 的极速版？
说实话，在我第一次接触 FastGPT 之前，我对 FastGPT 的第一印象是：“这是不是 ChatGPT 的魔改版？还是啥极速套壳客户端？”
毕竟名字太容易让人联想到 ChatGPT，结果一看——完全不是那么回事。
「FastGPT 是一个开源的企业级 AI 知识库问答系统」，本质上是帮我们把 “ChatGPT 式的对话能力” 接入我们自己的数据和文档里。
它做了几件很实用的事：
自带前后端界面，部署完就能用，不需要我们再写页面； 内置向量检索 + 文档管理系统，上传 PDF、Word、txt 都能自动分段索引； 可以配置多个模型源，比如我们用 OpenAI 的 GPT-4，也可以接 Ollama 本地模型； 支持多轮对话、消息记录、上下文管理，还能做聊天机器人、API 对接； 甚至还能配置知识库同步、文件定时刷新，对接企业场景非常友好。
和它比较像的还有一个项目叫 「Dify」，很多人也在用。Dify 更偏向 “AI 应用开发平台”，提供工作流、角色设定、插件扩展等能力，适合做更复杂的 AI Copilot 系统。而 「FastGPT 就是那种 “我们只想搭个问答系统，那就直接给我们一个能跑的成品”」 ，上手更快、思路更聚焦。
对我这种想先搞个 Demo 的人来说，FastGPT 简直就是 “RAG（检索增强生成）场景的低门槛快车道”。
❝不过这里我也不展开细讲了，「想了解更多的可以去看看 FastGPT 的 GitHub（快速了解 FastGPT），或者去掘金搜一搜，有很多实战分享文章」。
❞
环境准备：安装 Ollama（以 Mac 为例）
在开始搭建之前，我们先把大模型运行平台——「Ollama」 安装好。
Ollama 支持 macOS、Windows 以及部分 Linux 发行版的本地运行，安装过程也非常简单。下面以 macOS 为例，提供几种常用的安装方式：
方式一：通过 Homebrew 安装（比较推荐）
如果我们本地已经安装了 Homebrew，可以直接执行以下命令即可完成安装：
brew install ollama
安装完成后，我们可以前往 Ollama 官网[3]，点击右上角的 「“Models”」 页面，查看目前支持的开源大模型列表，比如 Qwen（千问）、LLaMA3、Mistral、Gemma 等。
每个模型下方都会列出对应的安装命令，直接复制粘贴到终端就能使用，非常方便。
在模型选择上，Ollama 支持的开源模型非常多，以我们这次用的 Qwen 系列为例，版本从轻量的 0.5b 到巨型的 72b、110b，甚至还有一个 “看起来就不适合打工人” 的 235b。不同版本在体积、性能、响应速度上的差异非常明显。
完整的模型列表可以在 Ollama 官网的 Qwen3 模型页面[4] 查看，像下面这样：
我们这次选择的是：
ollama run qwen3:1.7b
原因也比较简单：
「模型够轻量，只有 1.4GB，下载和加载速度都很快；」 「上下文窗口 40K，不管是问答还是处理长文档都足够用了；」 「本地 MacBook 就能顺畅跑，不需要额外配置 GPU 环境；」 「响应速度快，结合 FastGPT 做问答体验非常流畅。」
如果我们只是想先验证功能或者做原型测试，不建议一上来就用 14b、30b、235b 这些大家伙，光模型体积就几十个 G，部署和运行门槛也更高。而 1.7b 就是个比较理想的 “起步选手”，「体验好、资源占用低、开发友好。」
不过如果我们想让 AI 不只是 “能说会道”，还要 “读得懂自己的文档”，那光有一个主模型还不够。我们还需要再加一个模型，专门用来做文档的向量化处理——也就是所谓的嵌入模型。
简单来说，它的作用就是：把我们上传的 PDF、Word、Markdown 这些文档切成一段一段的，然后转换成 “向量”（也就是一堆模型能理解的数字），这样后续在问问题时，系统就能用语义相似度匹配到我们说的那段内容。
我这次用的是：
ollama run nomic-embed-text
这是一个比较常见的开源嵌入模型，支持中英文混合，速度快、资源占用小，社区使用率也比较高。FastGPT 默认也推荐使用它来做文档向量化，接起来基本零障碍。
一句话总结它的作用就是：「不负责说话，专门负责 “读资料” 并建索引。」
完整的嵌入模型列表可以在 Ollama 官网的nomic-embed-text模型页面查看，其中会列出模型简介、用途说明以及对应的运行命令，像这样：
两者配合，才构成了一个完整的 “知识库问答系统”。
方式二：从官网下载安装包
如果我们不使用 Homebrew，也可以直接前往 Ollama 官方网站下载安装程序：
Ollama
官网会自动识别我们的操作系统并提供对应版本的安装包。安装完成后，同样可以通过终端运行上面的命令进行测试。
方式三：使用 Docker 安装（适合服务器或容器环境）
如果我们希望将 Ollama 跑在服务器上，或者已经习惯用 Docker 来部署服务，也可以通过官方提供的 Docker 镜像进行安装：
docker run -d -p 11434:11434 ollama/ollama
然后我们就可以像本地一样使用：
curl http://localhost:11434/api/tags
或者通过 FastGPT 这样的系统接入 Ollama 的本地推理服务。
❝注意：如果我们希望在 Docker 里使用模型，比如
❞qwen3:1.7b或nomic-embed-text，可以先进入容器内部执行ollama run xxx，模型数据会保存在容器中，也可以用挂载方式做持久化。
无论哪种方式，只要我们能成功运行 ollama run xxx 并看到模型加载输出日志，就说明 Ollama 环境已准备就绪，接下来就可以接入我们的问答系统了。
快速启动 Ollama 并加载模型（以 qwen3:1.7b 为例）
下面我们通过几步就可以跑通 Ollama，并进入大模型对话模式。
步骤 1：运行命令
在终端中执行以下命令：
ollama run qwen3:1.7b
第一次运行时会自动做几件事：
从 Ollama 官方仓库拉取 qwen3:1.7b模型文件（约 1.4GB）下载完成后自动加载模型并进入对话模式
步骤 2：开始对话
当我们看到终端输出中出现类似：
>>>
就表示模型已经启动成功，现在我们可以直接和它对话，比如输入：
>>> 你好，帮我解释一下什么是面向对象？
模型会在 1～2 秒内返回结果，默认是中文交流，体验跟 ChatGPT 非常类似。
步骤 3：退出对话（可选）
如果我们要退出对话，可以按下 Ctrl + d，终止当前模型运行。
查看已安装模型
我们可以通过以下命令查看本地所有已下载的模型：
ollama list
部署 FastGPT：从模型能力到可视化问答系统的关键一步
到这一步，我们已经成功在本地运行了 Ollama，并且可以直接在命令行里和大模型对话了。
虽然听起来已经挺 “黑科技” 的，但现实问题是——「我们总不能让同事们每次提问都打开终端、敲命令吧？」
想象一下产品经理问个 “XX 功能流程是啥”，我们还得发个文档教他先装 Brew、跑 Ollama，然后敲 >>> 才能对话，这也太反人类了。
所以，「我们需要一个更友好的方式，把大模型的能力用一个可视化页面封装起来，最好还能让它看懂公司自己的资料，变成一个 “懂业务的 AI 客服”。」
这个时候，就轮到我们今天的主角登场了——「FastGPT」。
我们已经有了 Ollama 提供的大模型能力，接下来就是把它 “包一层壳”——也就是部署一个带前端界面的问答系统，让团队成员不需要敲命令行也能直接提问。
FastGPT 正好就是干这个的，它是一个开源的知识库问答系统，界面简单直观，支持上传文档、调用本地模型、构建私有知识库，非常适合企业内部部署使用。
部署方式选择：本地建议使用 Docker Compose
考虑到我们是本地开发或轻量测试环境，「官方推荐使用 docker-compose-pgvector 版本」进行快速部署。
这种方式最大的优点就是：
快速启动，所有服务一键拉起； 无需手动配置数据库或模型服务，适合个人或小团队验证； 对系统影响小，删除也干净。
环境准备：确保已安装 Docker 和 Docker Compose
在开始部署之前，建议我们环境确保本地已安装以下环境：
Docker Desktop（或 Linux 下的 Docker CE） Docker Compose（版本建议 「v2.17 及以上」）
可以通过以下命令确认版本：
docker --versiondocker compose version
如果有同学尚未安装，可以先前往 Docker 官网 下载并根据操作系统完成安装哈。
准备工作做完后我们就可以按如下步骤操作：
本地新建一个目录，例如：
mkdir fastgpt && cd fastgpt
- 下载所需配置文件：
我们需要准备两个文件：
config.json：FastGPT 的默认配置docker-compose.yml：用于一键启动服务的容器编排文件
可以有两种方式获取它们：
「方式一：手动下载」
直接进入 GitHub 仓库，点击右上角的下载按钮或复制内容保存即可：
FastGPT · GitHub地址
FastGPT · GitHub地址
「方式二：命令行下载」（推荐）
如果我们比较习惯终端操作，那我们就可以直接使用 curl 一键下载：
curl -O https://raw.githubusercontent.com/labring/FastGPT/main/projects/app/data/config.json# pgvector 版本(测试推荐，简单快捷)curl -o docker-compose.yml https://raw.githubusercontent.com/labring/FastGPT/main/deploy/docker/docker-compose-pgvector.yml# oceanbase 版本（需要将init.sql和docker-compose.yml放在同一个文件夹，方便挂载）# curl -o docker-compose.yml https://raw.githubusercontent.com/labring/FastGPT/main/deploy/docker/docker-compose-oceanbase/docker-compose.yml# curl -o init.sql https://raw.githubusercontent.com/labring/FastGPT/main/deploy/docker/docker-compose-oceanbase/init.sql# milvus 版本# curl -o docker-compose.yml https://raw.githubusercontent.com/labring/FastGPT/main/deploy/docker/docker-compose-milvus.yml# zilliz 版本# curl -o docker-compose.yml https://raw.githubusercontent.com/labring/FastGPT/main/deploy/docker/docker-compose-zilliz.yml
修改配置文件：设置后端访问地址
在下载完 config.json 之后，我们还需要修改其中的一个关键字段：mcpServerProxyEndpoint。
这个字段用于指定 「前端访问后端服务（MCP Server）的地址」，默认情况下它指向的是一个公网接口地址。但如果我们是在本地部署 FastGPT，就需要手动把它改成我们本地能访问的地址。
打开 config.json 文件，找到这一行：
"mcpServerProxyEndpoint": "" // mcp server 代理地址，例如： http://localhost:3005
将其修改为：
"mcpServerProxyEndpoint": "http://localhost:3005"
这样配置后，FastGPT 前端界面就会通过 localhost:3005 来调用后端 API，而这个端口号正是我们在 docker-compose.yml 中默认映射出来的 MCP 服务端口。
如果我们是部署在远程服务器上，比如内网测试机或云服务器，那么就要把 localhost 改成对应的 IP 或域名（确保能从浏览器访问得到）。
启动 FastGPT 容器服务
完成配置后，就可以启动整个 FastGPT 系统了。
我们需要在 docker-compose.yml 所在目录下执行以下命令：
docker compose up -d
这条命令会后台启动所有服务，包括：
Web 前端页面 后端 API 服务（MCP Server） 数据库（PostgreSQL + pgvector） 文档向量处理服务
需要注意：
「建议使用 Docker Compose v2.17 及以上版本」，旧版本在解析新版 YAML 或执行自动挂载等功能时可能会出现问题。 启动完成后，可以通过以下命令查看服务状态：
docker compose ps
如果所有服务都显示为 Up，说明环境已经成功启动。
启动后，默认访问地址为：
http://localhost:3000
打开浏览器输入这个地址，能看到 FastGPT 的界面，那我们就可以开始创建我们的第一个知识库了！
开始使用 FastGPT：登录、配置模型与创建知识库
访问 FastGPT
FastGPT 默认监听在 3000 端口，启动成功后我们可以通过浏览器访问：
http://localhost:3000
如果我们部署在服务器上，请确保已开放防火墙端口，并使用 服务器 IP:3000 的形式访问。
❝如果我们希望通过域名访问，可自行配置 Nginx 做反向代理。
❞
首次访问时，系统会自动初始化一个管理员账号：
「用户名」： root「密码」：默认为 1234（由docker-compose.yml中的环境变量DEFAULT_ROOT_PSW设置）
我们也可以自行修改 DEFAULT_ROOT_PSW 来自定义初始密码。
第一次启动过程中，可能会在日志中看到一条类似报错：
MongoServerError: Unable to read from a snapshot due to pending collection catalog changes;
这条日志信息可以忽略，不影响正常使用。
配置模型
我们登录进去之后，系统会发现你啥都没配，然后会很贴心（其实是很严厉）地提醒你：「没有配置语言模型和索引模型，系统没法正常用」。
这两个模型是 FastGPT 跑起来的 “核心引擎”，一个用来回答问题（大语言模型），一个用来理解文档内容（嵌入模型）。「缺任何一个，问答功能都别想跑通。」
正常情况下，系统会自动跳转到模型配置页面，指导你一步步添加模型。
如果它没跳（比如我第一次用的时候它就 “装死” 了），也别慌，我们可以手动点进去配置：
「点击左侧菜单【账号】，选择【模型提供商】，再点击【模型配置】，然后右上角点【新增模型】按钮，并选择 “语言模型”，如下图：」
先添加语言模型（比如我们跑的 qwen3:1.7b），填好模型名称、模型 ID 和其他配置, 模型 ID 就是我们用 ollama run 时候的名字
接着，再点一次右上角的【新增模型】，这次选择的是 “索引模型”。配置方式跟刚才差不多，填上模型 ID、模型提供商等信息就行了。需要注意的是，「模型 ID 要和我们在 Ollama 中安装的名称保持一致」，否则连不上，如下图所示：
添加完这两种模型之后，我们可以回到模型列表中查看。把模型供应商切换为 「Ollama」，就能看到刚刚新增的两个模型（语言模型和索引模型）。确认它们都处于 “启用” 状态，后面知识库问答才能正常使用。
配置模型渠道
模型虽然添加完了，但还没算真正接入系统，「我们还得配置一个 “模型渠道”」 ，也就是告诉 FastGPT：用哪个模型来处理回答、用哪个来做向量索引。
这个配置就像是把模型 “接上线”，不然系统不知道该调哪个。
我们还是一样的，点进去：
「左侧菜单【账号】 → 【模型提供商】 → 点击上方 “模型渠道” → 然后右上角点【新增渠道】按钮，如下图：」
在弹出的 “渠道配置” 窗口中填写如下内容：
http://host.docker.internal:11434 | ||
sk-xxxx |
「这里为什么不能填 localhost？」
很多人第一反应会把代理地址写成：
http://localhost:11434
结果模型死活调不通。为什么？
因为我们用的是 Docker 部署的 FastGPT，而容器里的 localhost 指的是容器自己，不是我们电脑。
所以如果我们填 localhost，FastGPT 会在它自己那个 “密闭小房间” 里找模型，自然找不到。
正确姿势是填：
http://host.docker.internal:11434
这是 Docker 提供的一个 “容器内访问宿主机” 的别名，相当于在容器里说：“去我外面那台机子上找模型”。
如果我们是 Linux 系统，这个地址可能无法直接用，我们可以改成我们的本机 IP 地址，例如：
http://192.168.1.100:11434
测试模型
添加好模型渠道之后，咱们还得验证一下模型能不能正常用。
点击顶部导航栏的【模型渠道】，你会看到我们刚才配置的 “自定义渠道” 已经在列表里了：
接着，点击右侧的 「三个点 → 模型测试」，就会进入如下页面：
在这里会列出我们配置的两个模型（语言模型 + 嵌入模型），此时状态是 “等待测试”。
直接点击右下角的 「“批量测试 2 个模型”」 按钮，系统会自动对模型进行连通性检测。
❝如果一切正常，状态会从 “等待测试” 变为“测试通过” 如果失败了，建议检查代理地址是否填写正确（应该是
❞http://host.docker.internal:11434）或模型 ID 是否拼写一致。
测试通过之后，这一部分就算配置完成啦，后面就可以创建知识库了。
创建应用
进入 FastGPT 后台，点击左侧导航栏中的 「【工作台】 → 【团队应用】」 ，然后点击右上角的 「【新建】」 按钮。
这时候系统会弹出一个选项框，这里我们选择第一个——
「简易应用」：通过表单方式快速创建，适合新手，也足够满足我们当前 “内部问答” 场景。
如下图所示，选中【简易应用】即可开始配置：
这里我们随便输入一个应用名字并选择 【创建空白应用】
模型就选择我们之前添加的语言模型 ，然后右侧我们就可以输入我们需要提问的问题就可以了：
然后 我们可以点击右上角的保存并发布 接下来我们可以看下发布渠道这一栏的配置：
应用虽然建好了，但我们总不能自己一个人偷偷用吧。得把它 “端出去”，让别人也能访问、体验。
在 FastGPT 里，发布方式有好几种，看起来有点专业，但别怕，咱们一句话讲明白：
| 「免登录窗口（推荐）」 | |
| 「API 接入」 | |
| 「钉钉 / 飞书机器人」 | |
| 「微信公众号接入」 |
这里我们测试可以选择 【免登陆窗口】 再点右边的【创建新链接】，就能生成一个访问地址啦！
搞完发布之后，我们还可以点上方的 「「对话日志」」 标签页，来看看大家都和你的 AI 应用聊了些什么。
像上图这样，日志里会列出每一条对话的：
「来源 & 时间」：是谁问的，什么时候问的； 「使用者 ID」：比如通过分享链接进来的人； 「问题内容」：比如 “什么是面向对象”； 「消息总数」：用户跟 AI 聊了几轮； 「反馈信息」：有无点赞、踩或自定义反馈。
❝如果你是给公司或团队用的，这个功能特别实用——可以看看大家最常问的是什么、AI 有没有答偏、要不要优化下知识库。
❞
右上角还可以点「导出」，把对话记录拉出来整理成表格或给老板看哈。
创建知识库
虽然我们前面已经成功创建了一个 AI 应用，但它现在其实就是个 “空壳”——你问它啥，它可能一脸懵，啥也答不上来。
为什么？因为它「还没接入任何知识内容」，它哪知道我们公司的事、业务流程或者技术细节呀。
所以接下来我们要做的事情就是：
「创建一个知识库」，然后把这个知识库和我们刚刚的应用绑定起来。
这样用户在页面里提问时，系统就能去查这个知识库里的内容，再用大模型来帮你 “组合语言”，给出更准确的回答。
我们打开左边的菜单，点击「知识库」，然后点右上角的【新建】按钮，选择第一个「通用知识库」。
然后我们自定义一个知识库名字。索引模型和语言模型还是我们之前添加的那两个模型就可以：
创建成功后 我们点击右上角 【新建 / 导入】 我们来上传文本数据集：
这里我选择一个我自己写的一个小说大纲文件：
这里选择合适的数据处理方式和参数。然后继续点击下一步：
点击左侧我们上传的文件，我们可以在右侧预览内容，然后继续点击下一步：
然后点击 开始上传
当状态显示为 “已就绪” 时，说明我们的知识库已经搭建成功了：
测试知识库
文档上传好了，那我们肯定得试试它到底有没有「记住」知识点。
这时候我们可以回到我们前面创建的 AI 应用（就那个 “AI 智能机器人”），进行知识库关联：
选择我们刚才创建成功的知识库
关联成功后 我们可以 进行以下参数配置：
然后接下来我们开始验证知识库是否应用到我们 ai 聊天中：比如我输入问题： “六煞图男二是谁？”
从上图我们可以看到，AI 在回答 “六煞图男二是谁” 这个问题时，给出了非常详细的「思考过程」，还标明了引用的「知识库文档（六煞图大纲. docx）」 。
同时，还展示了几个很实用的信息：
引用了 「16 条内容」 回答耗时 「171 秒」 提供了「处理详情按钮」，可以进一步查看知识命中情况
这就说明我们上传的 Word 文档确实被成功解析并纳入知识库中，AI 可以基于其中的内容进行回答——这一步就算打通啦！
最后
我们现在这样搞下来，其实就已经搭出来一个「内部私有化部署 AI 的雏形」了。
说白了，我们已经会自己搞一个 “懂我们公司资料” 的 AI 机器人了。
那以后如果公司真有这方面的需求，比如要做一个 AI 客服系统，或者一个智能问答系统，是不是就可以直接用这套方案来搭？
「我们不但能做出来，而且还能做成我们公司自己的、私有化定制的版本。」
而且这套还不局限于自己用，我们还能通过 API 接入飞书、企微、钉钉，甚至微信公众号，让公司内部的同事也能方便地使用，随时随地提问、查资料、自动回复......
这个体验，是不是立马就有 “我们公司的专属 ChatGPT” 那味了？
再说句实在话，这年头去面试，AI 几乎是必问项了。
要是面试官问你：“你平时工作中有用到 AI 吗？都用在哪些场景？”
我都可以直接回一句：
「“我自己用 Ollama 和 FastGPT 搭过一套本地私有化的 AI 知识问答系统，能自动读公司文档，接入飞书做内部客服。”」
「这不就直接拉满逼格了？ 这不得立马录取！！！」
你说这和 “我平时让 ChatGPT 帮我写 SQL” 听起来是不是完全不一个量级？
