1 功能

1.1 整体功能，想解决什么问题

  • 官方说明：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。同时可以通过 Flow 可视化进行工作流编排，从而实现复杂的问答场景！
  • 个人体会：在不用编程的情况下，快速建立简单的本地知识库。

1.2 当前解决了什么问题，哪些问题解决不了

  • 作者团队可能是觉得大模型本身太单薄了，希望通过结合其它工具，做一个中间层的方案，用大模型解决更多问题。
  • 向下接入了多个大模型：GPT、Claude、Spark、ChatGLM 等；向上除了提供 很好用的 Web 工具，还提供了类似 OpenAI 的 API 供其它程序接入其功能，如：微信，飞书……；针对本地知识库，实现了数据的解析，存储，问答功能，并做了一些优化（评价本地知识库效果是一个非常复杂的问题，不在此讨论）。
  • 提供了工作流 Flow，个人感觉对于想开箱即用的人来说有些复杂；对于深度使用者略显单薄。
  • 计算 Embedding 以及答案的合成都需要连网使用。

1.3 提供哪些功能点，其中哪些是刚需

  • 基本的与大模型聊天问答功能
  • 本地知识库支持，虽然不是最先进最强大的技术栈，但对于中小规模的数据，个人数据是可用的，这是此项目的核心功能。
  • 支持手动录入知识，以回答重要的问题。
  • 包装一些常用功能，比如翻译，将一些定制 prompt 作成”应用“，以提供特定类型的服务。官方文档中展示了一些典型的使用场景，很有启发性。
  • 界面清晰，舒服。

1.4 用户使用难度，操作逻辑是否过于复杂

  • 最简单的方法就是直接用作者在官网部署的服务，没有难度。
  • 本地部署，尽管没有现成的文档，但有脚本 run.sh，可以启动多个 docker，也很好用。
  • 在我见过的 RAG Web 项目中，FastAI 界面是做的最好的。

1.5 使用场景

  • 用 FastGPT 给单位的文档做个知识库，考虑到部署和学习成本，可能是目前性价比最高的方案。

2 技术栈

2.1 技术栈是什么

  • 工具
    • NextJs + TypeScript + ChakraUI
    • 代码量大部分由 TypeScript 编写。
  • 数据库
    • Postgres (Vector 版本：ankane/pgvector:v0.5.0）存储向量
    • MongoDB 用于存取其他数据，比如用户知识库的文本部分，聊天记录，不定长，可能被扩展的数据，便于文本检索。数据库_mongoDB
  • 其它
    • python：做了一些文档转换内容处理的工作，代码很少，几乎没用到。
    • go 语言：实现文档服务 DocSite

2.2 现有底层工具消化了哪些常用功能

  • 我对 JS 不太熟，看不太出来

2.3 代码分析（使用 cloc 工具统计）

  • github 项目下载内容 183M，主要为.git 和 DocSite
  • 代码主要由 TypeScript 编写，约 4.5W 行（不计生成的 JS 代码）
  • 核心代码在：FastGPT/projects/app/src

3 商业模式

  • 用户可以使用 FastGPT 源码 部署自己的工具，也可以在其官网使用现成的线上版服务。使用 openai 的服务时，费用同 openai；同时，还提供了一些其它的收费服务。为了合规，把名字的名字换了一下，一看价格就明白了。
  • 同时出售商业版，收费见：https://doc.fastgpt.in/docs/pricing/。
  • 开源产品，以服务方式提供，对用户来说也比较方便经济。

4 使用方法

  • 安装
1
cd FastGPT/files/deploy/fastgpt

配置 docker-compose.yml：如果已经启了一些本地服务，可能发生端口冲突，需要调整设置；另外，还要设置数据库的用户名密码，API_KEY 等。

1
. run.sh

这里使用 docker-compose 启动了多个 docker 容器，非常方便。

  • 使用

    在登录界面用 root/1234 登录（密码可在 docker-compose.yml 中设置）

5 个人体会

5.1 整体评价

FastGPT 是一个产品导向的工具，相对于其它 github 上的试验型工具，更像是一个完整的产品。在业务分析，使用场景，交互设计，界面设计，易用性方面都很优秀。

另外，它提供 API 的方式与其它工具配合使用。利用 API_KEY 的方式，无缝替换 ChatGPT，从而引入本地知识和自定义问题及答案。对于二创，前端代码非常多，直接拿来也不好改，不如直接调用其 API。

5.2 使用感受

作为最终用户，使用感受如下：

当组织或者个人有万千上万个文档，不太可能通过界面一个一个导入，需要使用 API 构建知识库。

可以针对某一个知识库问答，它不仅给出答案，还给显示内容来源，可看到引用的原文，让答案有据可查，又不仅仅是搜索，我觉得这个真的是刚需。

在产品设计方面，也看到了作者对产品功能的理解和对解决方案的设计。

可以把知识分为三层：

  • 手工录入的重要知识（常为问题答案对）
  • 从本地文档中获取的知识
  • 通用知识（LLM 自带）

6 参考