基于OneAPI+ChatGLM3-6B+FastGPT搭建LLM大语言模型知识库问答系统_大模型知识库问答 fastgpt

搭建大语言模型知识库问答系统

部署OneAPI

拉取镜像

bash
复制代码
docker pull justsong/one-api
1
2
3

创建挂载目录

bash
复制代码
mkdir -p /usr/local/docker/oneapi
1
2
3

启动容器

bash
复制代码
docker run --name one-api -d --restart always -p 3001:3000 -e TZ=Asia/Shanghai -v /usr/local/docker/oneapi:/data justsong/one-api
1
2
3

访问IP:3001 注意：

用户默认root 密码默认123456，首次登录后务必修改密码

创建接口令牌API Key备用

根据需要配置，这里点击“永不过期”+“设为无限额度”

项目地址: One API

部署一个LLM模型

下载ChatGLM3项目

bash
复制代码
git clone https://github.com/THUDM/ChatGLM3
1
2
3

创建conda环境

bash
复制代码
cd /work/ChatGLM3

conda create -n ChatGLM3 python=3.10

conda activate ChatGLM3
1
2
3
4
5
6
7

编辑ChatGLM3/openai_api_demo/api_server.py文件，指定LLM模型、嵌入模型位置

相关模型可以从huggingface下载

bash
复制代码
# set LLM path
MODEL_PATH = os.environ.get('MODEL_PATH', '/root/work/models/chatglm3-6b')
TOKENIZER_PATH = os.environ.get("TOKENIZER_PATH", MODEL_PATH)

# set Embedding Model path
EMBEDDING_PATH = os.environ.get('EMBEDDING_PATH', '/root/work/models/bge-large-zh')
1
2
3
4
5
6
7
8

启动项目

bash
复制代码
(ChatGLM3) root@master:~/work/ChatGLM3/openai_api_demo# python api_server.py 
Setting eos_token is not supported, use the default one.
Setting pad_token is not supported, use the default one.
Setting unk_token is not supported, use the default one.
Loading checkpoint shards: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 5/5 [00:04<00:00,  1.07it/s]
INFO:     Started server process [517231]
INFO:     Waiting for application startup.
INFO:     Application startup complete.
INFO:     Uvicorn running on http://0.0.0.0:8000 (Press CTRL+C to quit)
1
2
3
4
5
6
7
8
9
10
11

在OneAPI中创建一个渠道，并使用事先创建的API Key 注意：

当完成下面部署FastGPT操作后，可以测试对接是否成功。前提：这里配置的模型名称ChatGLM3-6B需要与在部署FastGPT中的fastgpt/config.json文件中配置模型名称一致。具体参考下面新建FastGPT对话应用操作。

部署嵌入模型

这里使用m3e嵌入模型

bash
复制代码
docker pull registry.cn-hangzhou.aliyuncs.com/fastgpt_docker/m3e-large-api:latest
1
2
3

在运行容器的时候调用GPU，直接使用--gpus all参数指定即可

bash
复制代码
 docker run -d -p 6008:6008 --name m3e --gpus all registry.cn-hangzhou.aliyuncs.com/fastgpt_docker/m3e-large-api:latest
1
2
3

接入One API，添加一个渠道，根据官方参数说明如下：

vbnet
复制代码
设置安全凭证

默认值：sk-aaabbbcccdddeeefffggghhhiiijjjkkk

也可以通过环境变量引入：sk-key
1
2
3
4
5
6
7

注意：渠道对应鉴权密匙一定是sk-aaabbbcccdddeeefffggghhhiiijjjkkk

测试服务

这里将出现404异常，原因：由于不是对话生成模型（/v1/chat/completions）所以会404

进一步验证，查看容器内部运行日志信息

bash
复制代码
root@master:~/work/# docker logs -f friendly_feistel
No sentence-transformers model found with name ./moka-ai_m3e-large. Creating a new one with MEAN pooling.
INFO:     Started server process [1]
INFO:     Waiting for application startup.
INFO:     Application startup complete.
INFO:     Uvicorn running on http://0.0.0.0:6008 (Press CTRL+C to quit)
本次加载模型的设备为GPU:  Tesla V100S-PCIE-32GB
INFO:     172.17.0.1:59468 - "POST /v1/chat/completions HTTP/1.1" 404 Not Found
1
2
3
4
5
6
7
8
9
10

到这里，嵌入模型准备完毕，在接下来接入FastGPT即可。

部署FastGPT

具体部署可参考官方文档：FastGPT

创建挂载目录

bash
复制代码
mkdir -p /usr/local/docker/fastgpt
1
2
3

下载文件

bash
复制代码
curl -O https://raw.githubusercontent.com/labring/FastGPT/main/files/deploy/fastgpt/docker-compose.yml

curl -O https://raw.githubusercontent.com/labring/FastGPT/main/projects/app/data/config.json
1
2
3
4
5

在项目fastgpt目录中，创建mongo密钥

bash
复制代码
openssl rand -base64 756 > ./mongodb.key
chmod 600 ./mongodb.key
chown 999:root ./mongodb.key
1
2
3
4
5

bash
复制代码
root@master:/usr/local/docker/fastgpt# ls
config.json  docker-compose.yml mongodb.key
1
2
3
4

执行命令拉取容器镜像

bash
复制代码
docker-compose pull
1
2
3

启动容器

bash
复制代码
 docker-compose up -d
1
2
3

初始化 Mongo 副本集(4.6.8以前可忽略)

bash
复制代码
# 查看 mongo 容器是否正常运行
docker ps

# 进入容器
docker exec -it mongo bash

# 连接数据库
mongo -u myname -p mypassword --authenticationDatabase admin

# 初始化副本集。如果需要外网访问，mongo:27017 可以改成 ip:27017。但是需要同时修改 FastGPT 连接的参数（MONGODB_URI=mongodb://myname:mypassword@mongo:27017/fastgpt?authSource=admin => MONGODB_URI=mongodb://myname:mypassword@ip:27017/fastgpt?authSource=admin）
rs.initiate({
  _id: "rs0",
  members: [
    { _id: 0, host: "mongo:27017" }
  ]
})


# 检查状态。如果提示 rs0 状态，则代表运行成功
rs.status()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

访问IP:3000 注意：

yaml
复制代码
用户默认 root

密码默认 1234

密码设置修改：docker-compose.yml 文件中的 DEFAULT_ROOT_PSW
1
2
3
4
5
6
7

bash
复制代码
    environment:
      # root 密码，用户名为: root
      - DEFAULT_ROOT_PSW=1234
1
2
3
4
5

配置docker-compose.yml文件，使用 OneAPI接口、令牌

注意：这里地址指向OneAPI地址，令牌使用上面创建的令牌。

bash
复制代码
    environment:
      # root 密码，用户名为: root
      - DEFAULT_ROOT_PSW=1234
      # 中转地址，如果是用官方号，不需要管。务必加 /v1
      - OPENAI_BASE_URL=http://192.168.5.210:3001/v1
      - CHAT_API_KEY=sk-CwH3lQk0CCiUdalf3d41A405C9Ca4359991e213d0bC5B13b
1
2
3
4
5
6
7
8

重启FastGPT容器

bash
复制代码
docker-compose up -d
1
2
3

新建FastGPT对话应用

接下来配置FastGPT，修改fastgpt/config.json文件，复制一份gpt-3.5-turbo配置，修改为ChatGLM

注意：这里配置的model值ChatGLM3-6B需要与渠道中配置的模型名称一致

重启FastGP 容器

bash
复制代码
docker restart fastgpt
1
2
3

访问IP:3000/,新建FastGPT应用

取一个名称，从模板选择，这里选择“简单的对话”，点击“确认创建”按钮。

选择上面配置的ChatGLM模型，然后点击“保存并预览” 对话测试，输入问题，点击图标发送

新建 FastGPT 知识库应用

知识库需要使用嵌入模型，所以需要提前进行配置。

修改fastgpt/config.json配置文件，在vectorModels 中加入M3E模型：

注意：这里配置的model值m3e-large需要与渠道中配置的模型名称一致

重启FastGPT容器

bash
复制代码
docker restart fastgpt
1
2
3

在知识库菜单栏，创建一个知识库，同时取一个名称，选择索引模型 向demo知识库导入数据 根据具体需求，进行配置数据处理参数 当上传数据训练完毕就绪后即可使用

新建知识库，取个名字，从模板选择知识库+对话引导 配置AI模型与关联知识库后，保存并预览，然后即可开始进行知识库的对话测试 进行知识库问答对话时，出现一个异常 是因为知识库配置中，默认且只有一个文件处理模型，固定为gpt-3.5-turbo-1106，且目前没有配置该模型渠道

解决方案：

1.更新渠道，添加模型名称gpt-3.5-turbo-1106，意味着使用该模型的就会使用Base URL定义的模型

2.新建一个渠道，指定使用模型名称gpt-3.5-turbo-1106