（服务端篇）如何在本地私有化部署chatgpt？github上那些助力搭建私有chatgpt的项目_本地部署chatgpt

coze-discord-proxy

代理Discord对话Coze-Bot，实现以API形式请求GPT4模型，提供对话、文生图、图生文、知识库检索等功能

仓库地址：https://github.com/deanxv/coze-discord-proxy

基于 Docker-Compose(All In One) 进行部署

docker-compose pull && docker-compose up -d
1

docker-compose.yml

基于 Docker 进行部署

其中USER_AUTHORIZATION,BOT_TOKEN,GUILD_ID,COZE_BOT_ID,PROXY_SECRET,CHANNEL_ID修改为自己的。

如果上面的镜像无法拉取,可以尝试使用 GitHub 的 Docker 镜像,将上面的deanxv/coze-discord-proxy替换为ghcr.io/deanxv/coze-discord-proxy即可。

FreeGPT35

利用免登录 ChatGPT Web 提供的无限制免费GPT-3.5-Turbo API 服务。

仓库地址：https://github.com/missuo/FreeGPT35

Node

npm install
node app.js
1
2

Docker

docker run -p 3040:3040 ghcr.io/missuo/freegpt35
1

docker run -p 3040:3040 missuo/freegpt35
1

Docker Compose

Only FreeGPT35 Service

FreeGPT35 Service with ChatGPT-Next-Web:

After deployment, you can directly access http://[IP]:3040/v1/chat/completions to use the API. Or use http://[IP]:3000 to directly use ChatGPT-Next-Web.

FreeGPT35 Service with lobe-chat:

After deployment, you can directly access http://[IP]:3040/v1/chat/completions to use the API. Or use http://[IP]:3210 to directly use lobe-chat.

Suno2openai

基于 SunoSongsCreator 和 Suno-API 项目整合，提供符合OpenAI格式的接口标准化服务。

仓库地址：https://github.com/wlhtea/Suno2openai

Docker部署

1. 拉取Docker镜像

   首先，确保你的机器上已经有了Docker镜像wlhtea/suno2openai:0.1.。如果没有，你可以使用以下命令从Docker仓库中拉取它：

   docker pull wlhtea/suno2openai:0.1.2
   1

2. 运行Docker容器

   使用必要的环境变量和端口映射来运行Docker容器。将、和``替换为你的SQL数据库连接的实际值。这些值应当保密，不应公开分享。

参数说明:

• -d: 以后台模式运行容器并打印容器ID。
• --name wsunoapi: 为你的容器命名为wsunoapi，以便于引用。
• -p 8000:8000: 将容器的8000端口映射到宿主机的8000端口。
• -e: 为你的容器设置环境变量。
• --restart=always: 确保容器始终重启，除非手动停止。

3. 添加cookie进数据库 打开数据库添加cookie即可 count为剩余次数（后续会添加一个自动导入的）

   

   count 为账号剩余次数 working 为是否正在工作，1为工作中，0为等待指令

1、 访问应用程序

一旦容器运行，其内部的应用程序应该可以通过http://localhost:8000或你的Docker宿主机的IP地址的8000端口访问。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】