4.7 doc update (#1068)

* fix: plugin update

* feat: get current time plugin

* fix: ts

* perf: select app ux

* fix: ts

* perf: max w

* move code

* perf: inform tip

* fix: inform

* doc

* fix: tool handle

* perf: tmp file store

* doc

* fix: message file selector

* feat: doc

* perf: switch trigger

* doc

* fix: openapi import

* rount the number

* parse openapi schema

* fix empty line after variables (#64)

* doc image

* image size

* doc

* doc

* catch error

---------

Co-authored-by: heheer <71265218+newfish-cmyk@users.noreply.github.com>

.gitignore

@@ -42,3 +42,5 @@ docSite/.vercel
 .idea/
 files/helm/fastgpt/fastgpt-0.1.0.tgz
 files/helm/fastgpt/charts/*.tgz
+
+tmp/

docSite/content/docs/commercial/intro.md

@@ -26,10 +26,11 @@ FastGPT 商业版是基于 FastGPT 开源版的增强版本，增加了一些独
 | 内容审核 | ❌ | ✅ | ✅ |
 | web站点同步 | ❌ | ✅ | ✅ |
 | 管理后台 | ❌ | ✅ | ✅ |
-| 完整商业授权 | ❌ | ✅ | ✅ |
+| 增强训练模式 | ❌ | ✅ | ✅ |
 | 图片知识库 | ❌ | 设计中 | 设计中 |
 | 自动规划召回 | ❌ | 设计中 | 设计中 |
 | 对话日志运营分析 | ❌ | 设计中 | 设计中 |
+| 完整商业授权 | ❌ | ✅ | ✅ |
 {{< /table >}}
 
 ## 商业版软件价格

docSite/content/docs/course/ai_settings.md

@@ -1,6 +1,6 @@
 ---
-title: "AI 高级配置说明"
+title: "AI 相关参数配置说明"
-description: "FastGPT AI 高级配置说明"
+description: "FastGPT AI 相关参数配置说明"
 icon: "sign_language"
 draft: false
 toc: true
@@ -9,17 +9,33 @@ weight: 102
 
 在 FastGPT 的 AI 对话模块中，有一个 AI 高级配置，里面包含了 AI 模型的参数配置，本文详细介绍这些配置的含义。
 
-## 返回AI内容
+|  |  | |
+| --- | --- | --- |
+| ![](/imgs/aichat0.png) | ![](/imgs/aichat02.png) | ![](/imgs/aichat2.png) |
+
+## 返回AI内容（高级编排特有）
 
 这是一个开关，打开的时候，当 AI 对话模块运行时，会将其输出的内容返回到浏览器（API响应）；如果关闭，AI 输出的内容不会返回到浏览器，但是生成的内容仍可以通过【AI回复】进行输出。你可以将【AI回复】连接到其他模块中。
 
-## 温度
+### 最大上下文
 
-可选范围0-10，越大代表生成的内容越自由扩散，越小代表约严谨。调节能力有限，知识库问答场景通常设置为0。
+代表模型最多容纳的文字数量。
 
-## 回复上限
+### 函数调用
 
-控制 AI 回复的最大 Tokens，较小的值可以一定程度上减少 AI 的废话，但也可能导致 AI 回复不完整。
+支持函数调用的模型，在使用工具时更加准确。
+
+### 温度 
+
+越低回答越严谨，少废话（实测下来，感觉差别不大）
+
+### 回复上限
+
+最大回复 token 数量。注意，是回复的Tokens！不是上下文 tokens。
+
+### 系统提示词
+
+被放置在上下文数组的最前面，role 为 system，用于引导模型。
 
 ## 引用模板 & 引用提示词
 
@@ -123,7 +139,7 @@ Tips: 建议根据不同的场景，每种知识库仅选择1类数据类型，
 
 | 非严格模板效果 | 选择严格模板 | 严格模板效果 |
 | --- | --- | --- |
-| ![](/imgs/datasetprompt7.jpg) | ![](/imgs/datasetprompt8.jpg) |![](/imgs/datasetprompt9.jpg) |
+| ![](/imgs/datasetprompt7.webp) | ![](/imgs/datasetprompt8.jpg) |![](/imgs/datasetprompt9.jpg) |
 
 #### 提示词设计思路
 

docSite/content/docs/course/data_search.md

@@ -1,134 +0,0 @@
----
-title: '知识库搜索介绍'
-description: '本节会详细介绍 FastGPT 知识库结构设计，理解其 QA 的存储格式和多向量映射，以便更好的构建知识库。同时会介绍每个搜索参数的功能。这篇介绍主要以使用为主，详细原理不多介绍。'
-icon: 'language'
-draft: false
-toc: true
-weight: 106
----
-
-## 理解向量
-
-FastGPT 采用了 RAG 中的 Embedding 方案构建知识库，要使用好 FastGPT 需要简单的理解`Embedding`向量是如何工作的及其特点。
-
-人类的文字、图片、视频等媒介是无法直接被计算机理解的，要想让计算机理解两段文字是否有相似性、相关性，通常需要将它们转成计算机可以理解的语言，向量是其中的一种方式。
-
-向量可以简单理解为一个数字数组，两个向量之间可以通过数学公式得出一个`距离`，距离越小代表两个向量的相似度越大。从而映射到文字、图片、视频等媒介上，可以用来判断两个媒介之间的相似度。向量搜索便是利用了这个原理。
-
-而由于文字是有多种类型，并且拥有成千上万种组合方式，因此在转成向量进行相似度匹配时，很难保障其精确性。在向量方案构建的知识库中，通常使用`topk`召回的方式，也就是查找前`k`个最相似的内容，丢给大模型去做更进一步的`语义判断`、`逻辑推理`和`归纳总结`，从而实现知识库问答。因此，在知识库问答中，向量搜索的环节是最为重要的。
-
-影响向量搜索精度的因素非常多，主要包括：向量模型的质量、数据的质量（长度，完整性，多样性）、检索器的精度（速度与精度之间的取舍）。与数据质量对应的就是检索词的质量。
-
-检索器的精度比较容易解决，向量模型的训练略复杂，因此数据和检索词质量优化成了一个重要的环节。
-
-
-### 提高向量搜索精度的方法
-
-1. 更好分词分段：当一段话的结构和语义是完整的，并且是单一的，精度也会提高。因此，许多系统都会优化分词器，尽可能的保障每组数据的完整性。
-2. 精简`index`的内容，减少向量内容的长度：当`index`的内容更少，更准确时，检索精度自然会提高。但与此同时，会牺牲一定的检索范围，适合答案较为严格的场景。
-3. 丰富`index`的数量，可以为同一个`chunk`内容增加多组`index`。
-4. 优化检索词：在实际使用过程中，用户的问题通常是模糊的或是缺失的，并不一定是完整清晰的问题。因此优化用户的问题（检索词）很大程度上也可以提高精度。
-5. 微调向量模型：由于市面上直接使用的向量模型都是通用型模型，在特定领域的检索精度并不高，因此微调向量模型可以很大程度上提高专业领域的检索效果。
-
-## FastGPT 构建知识库方案
-
-### 数据存储结构
-
-在 FastGPT 中，整个知识库由库、集合和数据 3 部分组成。集合可以简单理解为一个`文件`。一个`库`中可以包含多个`集合`，一个`集合`中可以包含多组`数据`。最小的搜索单位是`库`，也就是说，知识库搜索时，是对整个`库`进行搜索，而集合仅是为了对数据进行分类管理，与搜索效果无关。（起码目前还是）
-
-![](/imgs/dataset_tree.png)
-
-### 向量存储结构
-
-FastGPT 采用了`PostgresSQL`的`PG Vector`插件作为向量检索器，索引为`HNSW`。且`PostgresSQL`仅用于向量检索（该引擎可以替换成其它数据库），`MongoDB`用于其他数据的存取。
-
-在`MongoDB`的`dataset.datas`表中，会存储向量原数据的信息，同时有一个`indexes`字段，会记录其对应的向量ID，这是一个数组，也就是说，一组向量可以对应多组数据。
-
-在`PostgresSQL`的表中，设置一个`vector`字段用于存储向量。在检索时，会先召回向量，再根据向量的ID，去`MongoDB`中寻找原数据内容，如果对应了同一组原数据，则进行合并，向量得分取最高得分。
-
-![](/imgs/datasetSetting1.png)
-
-### 多向量的目的和使用方式
-
-在一组向量中，内容的长度和语义的丰富度通常是矛盾的，无法兼得。因此，FastGPT 采用了多向量映射的方式，将一组数据映射到多组向量中，从而保障数据的完整性和语义的丰富度。
-
-你可以为一组较长的文本，添加多组向量，从而在检索时，只要其中一组向量被检索到，该数据也将被召回。
-
-### 检索方案
-
-1. 通过`问题优化`实现指代消除和问题扩展，从而增加连续对话的检索能力以及语义丰富度。
-2. 通过`Concat query`来增加`Rerank`连续对话的时，排序的准确性。
-3. 通过`RRF`合并方式，综合多个渠道的检索效果。
-4. 通过`Rerank`来二次排序，提高精度。
-
-![](/imgs/dataset_search_process.png)
-
-
-## 搜索参数
-| | | |
-| --- |---| --- |
-|![](/imgs/dataset_search_params1.png)| ![](/imgs/dataset_search_params2.png) | ![](/imgs/dataset_search_params3.png) |
-
-### 搜索模式
-
-#### 语义检索
-
-语义检索是通过向量距离，计算用户问题与知识库内容的距离，从而得出“相似度”，当然这并不是语文上的相似度，而是数学上的。
-
-优点：
-- 相近语义理解
-- 跨多语言理解（例如输入中文问题匹配英文知识点）
-- 多模态理解（文本，图片，音视频等）
-
-缺点：
-- 依赖模型训练效果
-- 精度不稳定
-- 受关键词和句子完整度影响
-
-#### 全文检索
-
-采用传统的全文检索方式。适合查找关键的主谓语等。
-
-#### 混合检索
-
-同时使用向量检索和全文检索，并通过 RRF 公式进行两个搜索结果合并，一般情况下搜索结果会更加丰富准确。
-
-由于混合检索后的查找范围很大，并且无法直接进行相似度过滤，通常需要进行利用重排模型进行一次结果重新排序，并利用重排的得分进行过滤。
-
-#### 结果重排
-
-利用`ReRank`模型对搜索结果进行重排，绝大多数情况下，可以有效提高搜索结果的准确率。不过，重排模型与问题的完整度（主谓语齐全）有一些关系，通常会先走问题优化后再进行搜索-重排。重排后可以得到一个`0-1`的得分，代表着搜索内容与问题的相关度，该分数通常比向量的得分更加精确，可以根据得分进行过滤。
-
-FastGPT 会使用 `RRF` 对重排结果、向量搜索结果、全文检索结果进行合并，得到最终的搜索结果。
-
-### 搜索过滤
-
-#### 引用上限
-
-每次搜索最多引用`n`个`tokens`的内容。
-
-之所以不采用`top k`，是发现在混合知识库（问答库、文档库）时，不同`chunk`的长度差距很大，会导致`top k`的结果不稳定，因此采用了`tokens`的方式进行引用上限的控制。
-
-#### 最低相关度
-
-一个`0-1`的数值，会过滤掉一些低相关度的搜索结果。
-
-该值仅在`语义检索`或使用`结果重排`时生效。
-
-### 问题优化
-
-#### 背景
-
-在 RAG 中，我们需要根据输入的问题去数据库里执行 embedding 搜索，查找相关的内容，从而查找到相似的内容（简称知识库搜索）。
-
-在搜索的过程中，尤其是连续对话的搜索，我们通常会发现后续的问题难以搜索到合适的内容，其中一个原因是知识库搜索只会使用“当前”的问题去执行。看下面的例子：
-
-![](/imgs/coreferenceResolution2.jpg)
-
-用户在提问“第二点是什么”的时候，只会去知识库里查找“第二点是什么”，压根查不到内容。实际上需要查询的是“QA结构是什么”。因此我们需要引入一个【问题优化】模块，来对用户当前的问题进行补全，从而使得知识库搜索能够搜索到合适的内容。使用补全后效果如下：
-
-![](/imgs/coreferenceResolution3.jpg)
-
-#### 实现方式
-
-在进行`数据检索`前，会先让模型进行`指代消除`与`问题扩展`，一方面可以可以解决指代对象不明确问题，同时可以扩展问题的语义丰富度。

docSite/content/docs/course/datasetEngine.md

@@ -51,7 +51,7 @@ FastGPT 采用了 `PostgresSQL` 的 `PG Vector` 插件作为向量检索器，
 
 | 库 | 集合 | 数据 |
 | --- | --- | --- |
-| ![](/imgs/datasetEngine1.jpg) | ![](/imgs/datasetEngine2.jpg) | ![](/imgs/datasetEngine3.jpg) |
+| ![](/imgs/datasetEngine1.jpg) | ![](/imgs/datasetEngine2.jpg) | ![](/imgs/datasetEngine3.webp) |
 
 ### 导入数据方案1 - 直接分段导入
 
@@ -59,7 +59,7 @@ FastGPT 采用了 `PostgresSQL` 的 `PG Vector` 插件作为向量检索器，
 
 | 交互 | 结果 |
 | --- | --- |
-| ![](/imgs/datasetEngine4.jpg) | ![](/imgs/datasetEngine5.jpg) |
+| ![](/imgs/datasetEngine4.webp) | ![](/imgs/datasetEngine5.webp) |
 
 
 ### 导入数据方案2 - QA导入
@@ -68,7 +68,7 @@ FastGPT 采用了 `PostgresSQL` 的 `PG Vector` 插件作为向量检索器，
 
 | 交互 | 结果 |
 | --- | --- |
-| ![](/imgs/datasetEngine6.jpg) | ![](/imgs/datasetEngine7.jpg) |
+| ![](/imgs/datasetEngine6.webp) | ![](/imgs/datasetEngine7.webp) |
 
 ### 导入数据方案3 - 手动录入