10 分钟构建本地知识库，辅助 ChatGPT 生成回答

注意：生产环境中建议修改默认密码，并仅暴露必要端口。

3.2 docker-compose.yml

此文件定义了服务依赖关系和网络配置。主要包含 PostgreSQL (PG)、MongoDB 和 FastGPT 应用服务。

version: '3.3'
services:
  pg:
    image: registry.cn-hangzhou.aliyuncs.com/fastgpt/pgvector:v0.4.2
    container_name: pg
    restart: always
    ports:
      - "5432:5432"
    networks:
      - fastgpt
    environment:
      - POSTGRES_USER=username
      - POSTGRES_PASSWORD=password
      - POSTGRES_DB=fastgpt
    volumes:
      - ./pg/init.sql:/docker-entrypoint-initdb.d/init.sh
      - ./pg/data:/var/lib/postgresql/data

  mongo:
    image: registry.cn-hangzhou.aliyuncs.com/fastgpt/mongo:5.0.18
    container_name: mongo
    restart: always
    ports:
      - "27017:27017"
    networks:
      - fastgpt
    environment:
      - MONGO_INITDB_ROOT_USERNAME=username
      - MONGO_INITDB_ROOT_PASSWORD=password
    volumes:
      - ./mongo/data:/data/db
      - ./mongo/logs:/var/log/mongodb

  fastgpt:
    container_name: fastgpt
    image: registry.cn-hangzhou.aliyuncs.com/david_wang/fastgpt:latest
    ports:
      - "3000:3000"
    networks:
      - fastgpt
    depends_on:
      - mongo
      - pg
    restart: always
    environment:
      - DEFAULT_ROOT_PSW=123456
      - OPENAI_BASE_URL=https://api.openai.com/v1
      - CHAT_API_KEY=sk-*****
      - DB_MAX_LINK=5
      - TOKEN_KEY=wenwenai
      - ROOT_KEY=wenwenai
      - FILE_TOKEN_KEY=filetoken
      - MONGODB_URI=mongodb://username:password@mongo:27017/fastgpt?authSource=admin
      - PG_URL=postgresql://username:password@pg:5432/fastgpt
    volumes:
      - ./config.json:/app/data/config.json

networks:
  fastgpt:

安全提示：请务必将 CHAT_API_KEY 替换为您自己的 OpenAI Key，并将数据库密码修改为强密码。生产环境建议不要直接暴露数据库端口至公网。

4. 启动服务

在 docker-compose.yml 同级目录下执行以下命令拉取镜像并启动服务：

docker-compose pull
docker-compose up -d

执行完成后，浏览器访问 http://localhost:3000/ 即可进入系统。

三、构建与管理知识库

1. 登录与初始化

使用环境变量中设置的账号登录。默认用户名通常为 root，密码为 DEFAULT_ROOT_PSW 的值（例如 123456）。首次登录后建议立即修改密码。

2. 创建知识库

进入后台管理界面，选择'知识库'模块，新建一个知识库。命名应清晰反映内容主题，例如 个人经历 或 产品文档。

3. 数据导入与向量化

支持多种格式文件上传（TXT, PDF, Markdown 等）。系统会自动对内容进行清洗、分块（Chunking）和向量化处理。

• 分块策略：根据文本长度自动拆分，确保每个片段语义完整。对于长文档，建议调整分块大小以避免上下文丢失。
• 向量化：利用配置的 Embedding 模型将文本块转换为向量存储至 PG 数据库中。

导入完成后，系统会显示数据集状态。全文约 2300 字的数据，通常在 3~5 分钟内完成处理。由于文本限制，长文档会被拆分为多个子数据集。

4. 验证问答效果

在知识库详情页进行测试提问。系统会返回向量相似度分数（如 0.7881），分数越高表示检索到的内容与问题越相关。观察回答是否准确引用了知识库内容。

四、应用开发与工作流编排

1. 创建应用

在'应用'模块中创建新应用，绑定已构建的知识库。设置开场白以引导用户交互。

2. 高级配置

• Prompt 工程：在系统提示词中设定角色（如'你是一个专业的客服助手'），规定回答风格（如'请基于知识库内容回答，不知道则说不知道'）。
• 召回设置：调整 TopK 值，决定每次检索返回多少条最相关的文档片段。TopK 过大可能引入噪声，过小可能导致信息不足。
• 温度参数：降低 Temperature 值可使回答更严谨，适合事实性问答；提高值可增加创造性。

3. 多模态支持

FastGPT 支持图文混合输入。在配置文件中启用相应模型，可实现对上传图片的理解与问答。

五、常见问题与优化建议

1. 连接超时

若启动后无法访问，检查防火墙设置及端口占用情况。确保 3000、5432、27017 端口未被其他程序占用。

2. 向量检索不准

• 检查 Embedding 模型是否适配当前语言（中文需选用支持中文的模型）。
• 优化文档预处理，去除无关字符，增加元数据标签。
• 调整 pgIvfflatProbe 参数，增加检索深度。

3. 安全性加固

• API 密钥管理：切勿将 API Key 硬编码在代码仓库中，建议使用环境变量或密钥管理服务。
• 网络隔离：生产环境建议将数据库置于内网，仅允许应用服务访问。
• HTTPS 部署：使用 Nginx 反向代理并配置 SSL 证书，防止数据传输被窃听。

4. 性能调优

• 增加 vectorMaxProcess 以提升并发处理能力。
• 定期清理过期日志和临时文件，释放磁盘空间。
• 针对高并发场景，考虑将 MongoDB 和 PG 迁移至独立的高可用集群。

六、总结

本文从零到一完成了本地个人知识库的搭建，整体流程涵盖了环境部署、配置优化、数据导入及应用测试。通过 Docker 快速部署，配合 RAG 技术，可以在短时间内构建出具备私有知识问答能力的智能系统。

后续可根据实际需求，进一步分析召回内容质量，优化 Prompt 策略，从而使回答更加符合业务预期。掌握这一技术栈，有助于提升开发效率，解决大模型在特定领域知识缺失的问题，为企业数字化转型提供有力的 AI 基础设施支持。