为什么要折腾 FastGPT 项目

• FastGPT 是一个基于大语言模型（LLM）的知识型平台，支持数据处理、RAG 检索、可视化 AI 工作流编排等功能，可以帮助你快速搭建复杂的问答系统，无需复杂配置。
• 业内推崇的是 FastGPT 的知识库解析和管理能力。非常适合作为知识库的底层，然后再和 Dify 这一类生态繁荣的 AIAgent 平台对接使用。

FastGPT知识库系统对导入数据的处理极为灵活，可以智能处理PDF文档的复杂结构，保留图片、表格和LaTeX公式，自动识别扫描文件，并将内容结构化为清晰的Markdown格式。同时支持图片自动标注和索引，让视觉内容可被理解和检索，确保知识在AI问答中能被完整、准确地呈现和应用。

• FastGPT 完全对齐 OpenAI 官方接口，支持一键接入企业微信、公众号、飞书、钉钉等平台，

• 参考资料：FastGPT 官方仓库 https://github.com/labring/FastGPT?tab=readme-ov-file

第二步：本地部署前的准备

1. auto. 安装 Git（用于下载代码）

在终端输入：

brew install git

安装完成后，输入以下命令检查版本：

git --versio

第三步：下载 FastGPT 项目代码。

切换到你要安装 FastGPT 的文件夹目录下，然后，输入 git 指令，下载 FastGPT 项目代码。

git clone https://github.com/labring/FastGPT.git

下载docker-compose.yml文件

curl -o docker-compose.yml https://raw.githubusercontent.com/labring/FastGPT/main/deploy/docker/docker-compose-pgvector.yml

然后，在 terminal 启动 docker 安装

docker-compose -f docker-compose-pgvector.yml up -d

但是，在启动后，系统提醒，config.json 文件找不到。

Docker 在启动 fastgpt 这个服务时，需要一个叫做 config.json 的配置文件。它想把你电脑上的 config.json 文件 “挂载”到 Docker 容器内部的 /app/data/config.json 位置。

但是，我查了一下，其实，config.json 文件不在根目录，而是在 projects/app/data/ 目录下。

我们需要编辑 docker-compose-pgvector.yml 文件，把里面写错的路径改过来。

1. 1. 找到 docker-compose-pgvector.yml 文件里，找到 fastgpt: 这一段。
2. 2. 定位到 volumes（数据卷）：在 fastgpt: 下面，找到 volumes: 这一行。

1. 3. 修改路径：把 - ./config.json:/app/data/config.json 这一行，修改为正确的路径：./projects/app/data/config.json。

修改内容我直接贴出来：

- ./projects/app/data/config.json:/app/data/config.json

接下来，清理旧容器（以防万一）：

 docker-compose -f docker-compose-pgvector.yml down

重新启动：

docker-compose -f docker-compose-pgvector.yml up -d

ok，一切顺利

终端会显示本地访问地址（通常是 http://localhost:3000 ）。

默认登录用户名是: root 密码是：1234

第四步：使用和测试

1-配置 LLM 大模型

• 接下来，试一下配置 deepseek 模型。

进入到模型供应商界面，选择模型渠道，点击新增渠道。然后逐个输入渠道名，协议，选择模型，然后，就是填入代理地址和 API。

其中，deepseek 的代理地址和 api 需要自己注册 deepseek 账号，然后，通过开发者平台获取。

https://platform.deepseek.com/

配置完成后，需要批量测试一下模型，保证模型可用。

接下来，来到模型配置区域，选择 deepseek，然后，打开启用开关。

2-配置 embedding大模型

这个是解析文件知识的基本前提，我配置的是硅基流动的bge-m3。

硅基流动上已经预安装了非常多的开源模型。现在注册还有 2000 万 Tokens的免费额度https://cloud.siliconflow.cn/i/l9sTxT3i

3-测试知识解析能力

这里省略知识库的导入和解析过程。

直接看知识库索引结果。

简直是完美：

AB测试（A/B Testing）是一种通过对比不同策略或设计的效果来优化业务决策的统计方法，广泛应用于互联网、零售、金融等领域。以下是其核心业务用途及具体场景：

---

1. 产品设计与用户体验优化

• 页面布局/UI调整：对比不同页面设计（如按钮位置、颜色、文案）对点击率（CTR）、转化率（CVR）的影响。

• • 示例：电商测试“加入购物车”按钮的红色 vs 蓝色对购买率的影响。

• 功能迭代：验证新功能（如搜索推荐算法）是否提升用户留存或使用时长。

---

1. 营销策略效果验证

• 广告投放：测试不同广告素材、投放时段或渠道的ROI（投资回报率）。

• 优惠券/促销活动：对比满减、折扣、赠品等策略对客单价或复购率的影响。

• • 注意：需控制其他变量（如商品品类、用户群体）以确保结果纯净。

---

1. 运营策略决策

• 定价策略：分群体测试不同价格敏感度（如会员价 vs 普通价）。
• 推送策略：优化推送内容、频率或时机（如早晨 vs 晚间推送的打开率）。

---

1. 算法与模型优化

• 推荐系统：对比新旧算法对点击率、GMV（总交易额）的提升效果。
• 搜索排序：测试不同排序规则（如相关性 vs 销量优先）对用户满意度的影响。

---

1. 风险与流程控制

• 风控策略：验证新规则（如 stricter 欺诈检测）是否在减少损失的同时避免误杀正常用户。
• 注册/支付流程：简化步骤（如减少表单字段）能否提升完成率。

---

关键实施原则

1. 单变量测试：一次仅测试一个变量（如只改按钮颜色，不同时改文案），避免混淆结果。

2. 样本量充足：确保统计功效（Power）足够检测到差异，避免小样本误判。

3. 结果解读：

4. • 若P值≤0.05，认为差异显著；否则需谨慎结论。
   • 结合业务实际（如成本、用户体验）综合决策，避免仅依赖统计显著性。

---

常见误区

• 忽略外部干扰：如节假日、竞品活动可能影响测试结果。
• 过早终止测试：未达到预定样本量时停止，可能导致结论不可靠。

AB测试通过数据驱动决策，帮助业务在可控风险下实现持续优化

。

再追问一个问题“ABtest 的原理本质是什么”点开原文引用：

体验）综合决策，避免仅依赖统计显著性。

---

常见误区

• 忽略外部干扰：如节假日、竞品活动可能影响测试结果。
• 过早终止测试：未达到预定样本量时停止，可能导致结论不可靠。

AB测试通过数据驱动决策，帮助业务在可控风险下实现持续优化

。

再追问一个问题“ABtest 的原理本质是什么”点开原文引用：

[外链图片转存中…(img-7q1AXNFR-1750767361443)]

完美，收工！

大模型岗位需求

大模型时代，企业对人才的需求变了，AIGC相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；

• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；

• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术，也想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把全套AI技术和大模型入门资料、操作变现玩法都打包整理好，希望能够真正帮助到大家。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

零基础入门AI大模型

今天贴心为大家准备好了一系列AI大模型资源，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。

有需要的小伙伴，可以点击下方链接免费领取【保证100%免费】

点击领取 《AI大模型&人工智能&入门进阶学习资源包》*

1.学习路线图

如果大家想领取完整的学习路线及大模型学习资料包，可以扫下方二维码获取

👉2.大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。(篇幅有限，仅展示部分）

大模型教程

👉3.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（篇幅有限，仅展示部分，公众号内领取）

电子书

👉4.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（篇幅有限，仅展示部分，公众号内领取）

大模型面试

**因篇幅有限，仅展示部分资料，**有需要的小伙伴，可以点击下方链接免费领取【保证100%免费】

点击领取 《AI大模型&人工智能&入门进阶学习资源包》

**或扫描下方二维码领取 **