本文详细讲解了如何利用 FastGPT 和 Docker 快速构建本地知识库，实现基于私有数据的智能问答。文章首先阐述了向量检索与大模型结合的 RAG 原理，随后提供了完整的 Docker 部署步骤，包括配置文件详解、服务启动及网络配置。接着介绍了知识库的创建、数据导入、向量化处理及问答测试流程，并深入探讨了应用编排、Prompt 工程优化及安全性加固措施。最后总结了常见问题排查与性能调优建议，帮助用户从零搭建稳定可靠的本地 AI 知识库系统。
本文将从零开始构建本地知识库，从而辅助大语言模型基于私有知识库内容生成更准确的回答。通过结合向量检索与大模型技术，实现企业级或个人级的智能问答系统。
在深入实践之前，我们需要理解支撑该系统的三个核心概念：
这三个概念结合起来，就构成了经典的 RAG（Retrieval-Augmented Generation，检索增强生成）公式：向量搜索 + 大模型 = 知识库问答。这种架构既利用了大模型的生成能力，又解决了其知识时效性和私有数据缺失的问题。
FastGPT 是一个基于 LLM 大语言模型的知识库问答系统，提供开箱即用的数据处理、模型调用等能力。它支持通过 Flow 可视化进行工作流编排，从而实现复杂的问答场景。其核心流程图展示了从数据导入、向量化处理到最终问答生成的完整链路。
为了快速部署，我们首选使用 Docker 容器化方案。以下以 Windows 系统为例（Linux/Mac 操作类似）。
访问 Docker 官网下载并安装 Docker Desktop for Windows。安装过程中一路点击 Next，完成后重启电脑。启动后，通知栏会出现鲸鱼图标，表示 Docker 守护进程正在运行。
Docker 桌面版通常自带 docker-compose 工具。如果未集成，可前往官网单独下载 Compose 插件。
创建一个专用文件夹用于存放配置文件和数据持久化：
# 创建文件夹
mkdir fastgpt
cd fastgpt
在该目录下创建 config.json 和 docker-compose.yml 文件。
此文件控制前端展示及模型参数配置。关键配置项说明如下：
FeConfig: 前端界面配置，如是否显示空聊天、联系信息等。SystemParams: 系统性能参数，包括向量处理最大并发数 (vectorMaxProcess)、QA 处理数 (qaMaxProcess) 等。ChatModels: 定义可用的对话模型列表，包含模型名称、Token 限制、温度参数等。VectorModels: 定义嵌入模型（Embedding Model），用于将文本转为向量。QAModel/ExtractModel/CQModel/QGModel: 分别对应问答、提取、澄清、生成问题等不同环节调用的模型配置。示例配置内容：
{
"FeConfig": {
"show_emptyChat": false,
"show_contact": false,
"show_git": false,
"show_doc": true,
"systemTitle": "个人知识库",
"limit": {
"exportLimitMinutes": 0
},
"scripts": []
},
"SystemParams": {
"vectorMaxProcess": 15,
"qaMaxProcess": 15,
"pgIvfflatProbe": 20
},
"ChatModels": [
{
"model": "gpt-3.5-turbo",
"name": "GPT35-4k",
"contextMaxToken": 4000,
"quoteMaxToken": 2000,
"maxTemperature": 1.2,
"price": 0,
"defaultSystem": ""
}
],
"VectorModels": [
{
"model": "text-embedding-ada-002",
"name": "Embedding-2",
"price": 0,
"defaultToken": 500,
"maxToken": 3000
}
]
}
注意：生产环境中建议修改默认密码，并仅暴露必要端口。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
pgIvfflatProbe 参数，增加检索深度。vectorMaxProcess 以提升并发处理能力。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。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online