mirror of
https://github.com/labring/FastGPT.git
synced 2025-07-22 04:06:18 +00:00
a209856d48
* feat: SiliconCloud doc * feat: SiliconCloud doc * perf: silicon cloud doc * perf: silicon cloud doc
118 lines
3.1 KiB
Markdown
118 lines
3.1 KiB
Markdown
---
|
||
title: '接入 ChatGLM2-m3e 模型'
|
||
description: ' 将 FastGPT 接入私有化模型 ChatGLM2和m3e-large'
|
||
icon: 'model_training'
|
||
draft: false
|
||
toc: true
|
||
weight: 950
|
||
---
|
||
|
||
## 前言
|
||
|
||
FastGPT 默认使用了 OpenAI 的 LLM 模型和向量模型，如果想要私有化部署的话，可以使用 ChatGLM2 和 m3e-large 模型。以下是由用户@不做了睡大觉 提供的接入方法。该镜像直接集成了 M3E-Large 和 ChatGLM2-6B 模型，可以直接使用。
|
||
|
||
## 部署镜像
|
||
|
||
+ 镜像名: `stawky/chatglm2-m3e:latest`
|
||
+ 国内镜像名: `registry.cn-hangzhou.aliyuncs.com/fastgpt_docker/chatglm2-m3e:latest`
|
||
+ 端口号: 6006
|
||
|
||
```
|
||
# 设置安全凭证（即oneapi中的渠道密钥）
|
||
默认值：sk-aaabbbcccdddeeefffggghhhiiijjjkkk
|
||
也可以通过环境变量引入：sk-key。有关docker环境变量引入的方法请自寻教程，此处不再赘述。
|
||
```
|
||
|
||
## 接入 [One API](/docs/development/modelconfig/one-api/)
|
||
|
||
为 chatglm2 和 m3e-large 各添加一个渠道，参数如下：
|
||
|
||
|
||
|
||
这里我填入 m3e 作为向量模型，chatglm2 作为语言模型
|
||
|
||
## 测试
|
||
|
||
curl 例子：
|
||
|
||
```bash
|
||
curl --location --request POST 'https://domain/v1/embeddings' \
|
||
--header 'Authorization: Bearer sk-aaabbbcccdddeeefffggghhhiiijjjkkk' \
|
||
--header 'Content-Type: application/json' \
|
||
--data-raw '{
|
||
"model": "m3e",
|
||
"input": ["laf是什么"]
|
||
}'
|
||
```
|
||
|
||
```bash
|
||
curl --location --request POST 'https://domain/v1/chat/completions' \
|
||
--header 'Authorization: Bearer sk-aaabbbcccdddeeefffggghhhiiijjjkkk' \
|
||
--header 'Content-Type: application/json' \
|
||
--data-raw '{
|
||
"model": "chatglm2",
|
||
"messages": [{"role": "user", "content": "Hello!"}]
|
||
}'
|
||
```
|
||
|
||
Authorization 为 sk-aaabbbcccdddeeefffggghhhiiijjjkkk。model 为刚刚在 One API 填写的自定义模型。
|
||
|
||
## 接入 FastGPT
|
||
|
||
修改 config.json 配置文件，在 llmModels 中加入 chatglm2, 在 vectorModels 中加入 M3E 模型：
|
||
|
||
```json
|
||
"llmModels": [
|
||
//其他对话模型
|
||
{
|
||
"model": "chatglm2",
|
||
"name": "chatglm2",
|
||
"maxToken": 8000,
|
||
"price": 0,
|
||
"quoteMaxToken": 4000,
|
||
"maxTemperature": 1.2,
|
||
"defaultSystemChatPrompt": ""
|
||
}
|
||
],
|
||
"vectorModels": [
|
||
{
|
||
"model": "text-embedding-ada-002",
|
||
"name": "Embedding-2",
|
||
"price": 0.2,
|
||
"defaultToken": 500,
|
||
"maxToken": 3000
|
||
},
|
||
{
|
||
"model": "m3e",
|
||
"name": "M3E（测试使用）",
|
||
"price": 0.1,
|
||
"defaultToken": 500,
|
||
"maxToken": 1800
|
||
}
|
||
],
|
||
```
|
||
|
||
## 测试使用
|
||
|
||
M3E 模型的使用方法如下：
|
||
|
||
1. 创建知识库时候选择 M3E 模型。
|
||
|
||
注意，一旦选择后，知识库将无法修改向量模型。
|
||
|
||
|
||
|
||
2. 导入数据
|
||
3. 搜索测试
|
||
|
||
|
||
|
||
4. 应用绑定知识库
|
||
|
||
注意，应用只能绑定同一个向量模型的知识库，不能跨模型绑定。并且，需要注意调整相似度，不同向量模型的相似度（距离）会有所区别，需要自行测试实验。
|
||
|
||
|
||
|
||
chatglm2 模型的使用方法如下：
|
||
模型选择 chatglm2 即可
|