大模型应用

本地知识库部署指南：FastGPT 与 Dify，轻松上手！

本文主要内容

本地部署 Dify、FastGPT、Ollama
Dify、FastGPT 对接一些目前免费的 LLM 大语言 AI 模型
Dify、FastGPT 对接 Ollama 本地模型

大家好，我是一名喜欢在家折腾本地部署的开发者，这次我来分享如何在本地运行 Ollama，并将它与 FastGPT 和 Dify 两个知识库对接。看起来复杂，但其实步骤并不难。我会尽量把内容讲得清楚易懂，加上一些幽默，让整个过程更有趣。

第一步：本地部署 Dify 和 FastGPT

首先，我想找个知识库应用，结果在网上看上了 Dify 和 FastGPT。说实话，起初看了半天文档也分不出哪个更好用，就像在咖啡 ☕️ 和茶之间犹豫不决，干脆两个都来吧！这样我就可以比较它们的优缺点，看看哪个更适合我的需求。

正好这两个工具都支持本地部署，我这个爱折腾的性格立刻就上头了，赶紧跑去 GitHub 上说干就干。

部署均使用 Docker 进行，我的电脑是 M3 16G 的 Macbook Air，性能一般，但运行这两者没有问题。不过在 Ollama 跑 3B 大小的模型时已经是极限，温度接近 90 摄氏度，建议选择较小的模型。

第二步：部署 Dify 和 FastGPT

在研究知识库应用时，我决定同时部署 Dify 和 FastGPT。毕竟，选择困难症发作时，最好的办法就是“全都要”！这样，我就可以亲自测试它们，搞清楚到底哪个更适合我的需求。

幸运的是，这两个知识库都支持本地部署，真是太方便了，让我可以在自己的电脑上尽情试验。接下来我会详细介绍如何用 Docker 来部署它们。

步骤 1：准备环境

确保有稳定的网络环境，下载 Docker 镜像时别被中断了，不然心态很容易炸。
安装 Docker。Mac 用户我强烈推荐使用 Orbstack 进行安装，这玩意儿轻量又好用。而 Windows 和 Linux 用户可以直接去 Docker 官网下载安装。

步骤 2.1：安装 Dify

打开 Dify 官方 GitHub 页面。
下载代码或者直接下载 ZIP 文件包，按照官方的 QuickStart 指引，进入到 docker 文件夹中，里面就是我们需要的东西。
在 docker 文件夹内执行以下命令：```
docker-compose up -d
```
这个命令会自动下载 Docker 镜像并启动容器。
```
如果网络良好，整个过程应该会非常顺畅，只需稍等片刻，喝杯咖啡就搞定 ☕️。
完成后，可以在浏览器中访问 http://localhost/install 进行登录和配置。
如果在国内使用网络直接下载 Docker 镜像有问题，可以使用镜像加速器来帮忙，别被卡住了。
更多详细说明可以参考官方手册。

步骤 2.2：安装 FastGPT（轻松搞定，没你想的那么难！）

打开 FastGPT 官方 GitHub 页面。
下载代码或 ZIP 文件包，按照官方 QuickStart 指引，进入 files/docker 文件夹，使用里面的 Docker 配置。
与 Dify 不同，FastGPT 需要一些额外配置。默认情况下没有 docker-compose.yml 文件，因此启动时需要指定，例如官方推荐的 docker-compose-pgvector.yml。此外，还需要创建一个 config.json 配置文件放在 docker 目录下，内容可以参考 config.json。
配置好后，执行以下命令来启动：```
docker-compose -f docker-compose-pgvector.yml up -d
完成后，可以通过浏览器访问 http://localhost:3000 来使用 FastGPT。
FastGPT 的配置比 Dify 稍微复杂一些，需要在 http://localhost:3001 配置模型，并修改 config.json 来匹配你的需求。
如果遇到下载困难，强烈建议使用镜像加速器或优化网络，让你的部署更顺利。

步骤 3：配置和运行

安装完成后，还需要进行一些简单的配置，按照文档一步一步操作就可以搞定啦。Dify 的使用非常简单，直接注册登录即可，例如你可以用它来快速存储和检索文档。而 FastGPT 则有固定的管理员账号，适合需要更多定制化功能的场景，比如通过它来构建更复杂的对话模型：

FastGPT 模型配置页面地址是 http://localhost:3001，默认账号是 root，密码是 123456。
FastGPT 主页面地址是 http://localhost:3000，账号为 root，密码可以在 config.json 中找到，默认是 1234。

按照这些步骤，轻松搞定！

步骤 4：文件大小限制

在 Dify 里面，上传文件会有 15M 的单个限制，需要改个配置。
打开 docker 文件夹里的 .env 文件，把下面两条的 15 改成 150 即可：

# Upload file size limit, default 15M.
UPLOAD_FILE_SIZE_LIMIT=15

NGINX_CLIENT_MAX_BODY_SIZE=15M

第三步：本地部署 Ollama

前面的 Dify 和 FastGPT 都已经部署好了，现在轮到 Ollama 出场了！把 AI 模型部署在本地就像是为这场 AI 派对请来了一位“桥梁专家”，它能帮助不同的知识库联手合作，协同作战，让整个系统变得更智能、更高效。

步骤 1：安装 Ollama

首先，前往 Ollama 的官网下载并安装 Ollama，过程非常简单，就像你平时安装其他应用程序一样轻松。

下载并安装 Ollama。
搜索并选择所需的模型，这里我们以 llama3.2 为例，进入到 llama3.2 页面。
使用命令 ollama run llama3.2:3b 让 Ollama 开始“上班”吧！它一上班，你就可以和模型进行互动啦！要让它下班休息？只需要输入 Ctrl+D，或者直接来一句 /bye，它就会乖乖“打卡”回家了。

步骤 2：Dify 对接 Ollama

好了，Ollama 已经准备就绪，现在是时候让它和 Dify 握个手，成为好搭档了。

打开 Dify，进入设置 -> 模型供应商。
找到 Ollama，填写模型名称为 llama3.2:3b，基础 URL 填写为 http://host.docker.internal:11434，其他选项保持默认即可。这样 Ollama 就正式与 Dify 建立了“合作伙伴”关系。

步骤 3：FastGPT 对接 Ollama

接下来，我们也需要让 FastGPT 加入这场 AI 聚会。

登录 FastGPT 的模型配置页面，选择“渠道” -> 添加新渠道。
在类型中选择 Ollama，名称填写 llama3.2:3b，代理地址填写为 http://host.docker.internal:11434，其他设置保持简单。因为密钥是必填项，你可以随便填写一些字符，FastGPT 不会认真查。
修改 config.json 文件，找到 llmModels 数组，然后添加以下内容：```
{
“model”: “llama3.2:3b”,
“name”: “llama3.2:3b”,
“avatar”: “/imgs/model/openai.svg”,
“maxContext”: 125000,
“maxResponse”: 4000,
“quoteMaxToken”: 120000,
“maxTemperature”: 1.2,
“charsPointsPrice”: 0,
“censor”: false,
“vision”: true,
“datasetProcess”: true,
“usedInClassify”: true,
“usedInExtractFields”: true,
“usedInToolCall”: true,
“usedInQueryExtension”: true,
“toolChoice”: true,
“functionCall”: false,
“customCQPrompt”: “”,
“customExtractPrompt”: “”,
“defaultSystemChatPrompt”: “”,
“defaultConfig”: {},
“fieldMap”: {}
}
接着，在文件夹中执行 docker-compose down 来暂停服务，然后通过 docker-compose -f docker-compose-pgvector.yml up -d 重新启动服务。
完成后，通过 http://localhost:3000 访问 FastGPT，你会看到你刚刚添加的 llama3.2:3b 模型已经在列表中等着你了！

现在，Ollama 已经成功地和 Dify、FastGPT 结合，整个系统就像是一支高效合作的团队，随时准备帮你解决各种问题。这种组合特别适合需要在本地高效管理和利用知识的场景。

后记

为什么要折腾部署 Ollama 并对接 FastGPT 和 Dify 呢？主要是因为想在本地搭建一套知识库，并结合 AI 来进行查询或训练等操作。通过本地部署，用户可以更好地掌控数据的安全性和隐私性，同时可以自定义和优化 AI 的运行方式，让系统更符合自己的需求。这样一来，不仅可以满足日常工作中的各种需求，还能让你随时随地“调教”你的 AI，让它变得更加聪明伶俐，简直就是家里养了个智能小助手！

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 有需要的小伙伴，可以 扫描下方二维码领取↓↓↓

CSDN大礼包：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望

阶段3：AI大模型应用架构实践

目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
内容：
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 有需要的小伙伴，可以 扫描下方二维码领取↓↓↓