【快速入门】本地知识库部署：FastGPT与Dify轻松上手全指南！

本文主要内容

1. 本地部署 Dify、FastGPT、Ollama
2. Dify、FastGPT 对接一些目前免费的 LLM 大语言 AI 模型
3. Dify、FastGPT 对接 Ollama 本地模型

大家好，我是一名喜欢在家折腾本地部署的开发者，这次我来分享如何在本地运行 Ollama，并将它与 FastGPT 和 Dify 两个知识库对接。看起来复杂，但其实步骤并不难。我会尽量把内容讲得清楚易懂，加上一些幽默，让整个过程更有趣。

第一步：本地部署 Dify 和 FastGPT

首先，我想找个知识库应用，结果在网上看上了 Dify 和 FastGPT。说实话，起初看了半天文档也分不出哪个更好用，就像在咖啡 ☕️ 和茶 之间犹豫不决，干脆两个都来吧！这样我就可以比较它们的优缺点，看看哪个更适合我的需求。

正好这两个工具都支持本地部署，我这个爱折腾的性格立刻就上头了，赶紧跑去 GitHub 上说干就干。

部署均使用 Docker 进行，我的电脑是 M3 16G 的 Macbook Air，性能一般，但运行这两者没有问题。不过在 Ollama 跑 3B 大小的模型时已经是极限，温度接近 90 摄氏度，建议选择较小的模型。

第二步：部署 Dify 和 FastGPT

在研究知识库应用时，我决定同时部署 Dify 和 FastGPT。毕竟，选择困难症发作时，最好的办法就是“全都要”！这样，我就可以亲自测试它们，搞清楚到底哪个更适合我的需求。

幸运的是，这两个知识库都支持本地部署，真是太方便了，让我可以在自己的电脑上尽情试验。接下来我会详细介绍如何用 Docker 来部署它们。

步骤 1：准备环境

• 确保有稳定的网络环境，下载 Docker 镜像时别被中断了，不然心态很容易炸 。
• 安装 Docker。Mac 用户我强烈推荐使用 Orbstack 进行安装，这玩意儿轻量又好用。而 Windows 和 Linux 用户可以直接去 Docker 官网 下载安装。

步骤 2.1：安装 Dify

1. 打开 Dify 官方 GitHub 页面。

2. 下载代码或者直接下载 ZIP 文件包，按照官方的 QuickStart 指引，进入到 docker 文件夹中，里面就是我们需要的东西。

3. 在 docker 文件夹内执行以下命令：```
   docker-compose up -d

   这个命令会自动下载 Docker 镜像并启动容器。
   

4. 如果网络良好，整个过程应该会非常顺畅，只需稍等片刻，喝杯咖啡就搞定 ☕️。

5. 完成后，可以在浏览器中访问 http://localhost/install 进行登录和配置。

6. 如果在国内使用网络直接下载 Docker 镜像有问题，可以使用镜像加速器来帮忙，别被卡住了 。

7. 更多详细说明可以参考 官方手册。

步骤 2.2：安装 FastGPT（轻松搞定，没你想的那么难！）

1. 打开 FastGPT 官方 GitHub 页面。

2. 下载代码或 ZIP 文件包，按照官方 QuickStart 指引，进入 files/docker 文件夹，使用里面的 Docker 配置。

3. 与 Dify 不同，FastGPT 需要一些额外配置。默认情况下没有 docker-compose.yml 文件，因此启动时需要指定，例如官方推荐的 docker-compose-pgvector.yml。此外，还需要创建一个 config.json 配置文件放在 docker 目录下，内容可以参考 config.json。

4. 配置好后，执行以下命令来启动：```
   docker-compose -f docker-compose-pgvector.yml up -d

5. 完成后，可以通过浏览器访问 http://localhost:3000 来使用 FastGPT。

6. FastGPT 的配置比 Dify 稍微复杂一些，需要在 http://localhost:3001 配置模型，并修改 config.json 来匹配你的需求。

7. 如果遇到下载困难，强烈建议使用镜像加速器或优化网络，让你的部署更顺利 。

步骤 3：配置和运行

安装完成后，还需要进行一些简单的配置，按照文档一步一步操作就可以搞定啦 。Dify 的使用非常简单，直接注册登录即可，例如你可以用它来快速存储和检索文档。而 FastGPT 则有固定的管理员账号，适合需要更多定制化功能的场景，比如通过它来构建更复杂的对话模型：

• FastGPT 模型配置页面地址是 http://localhost:3001，默认账号是 root，密码是 123456。
• FastGPT 主页面地址是 http://localhost:3000，账号为 root，密码可以在 config.json 中找到，默认是 1234。

按照这些步骤，轻松搞定！

步骤 4：文件大小限制

• 在 Dify 里面，上传文件会有 15M 的单个限制，需要改个配置。
• 打开 docker 文件夹里的 .env 文件，把下面两条的 15 改成 150 即可：

# Upload file size limit, default 15M.
UPLOAD_FILE_SIZE_LIMIT=15

NGINX_CLIENT_MAX_BODY_SIZE=15M

第三步：本地部署 Ollama

前面的 Dify 和 FastGPT 都已经部署好了，现在轮到 Ollama 出场了！把 AI 模型部署在本地就像是为这场 AI 派对请来了一位“桥梁专家”，它能帮助不同的知识库联手合作，协同作战，让整个系统变得更智能、更高效。

步骤 1：安装 Ollama

首先，前往 Ollama 的 官网 下载并安装 Ollama，过程非常简单，就像你平时安装其他应用程序一样轻松。

1. 下载并安装 Ollama。
2. 搜索并选择所需的模型，这里我们以 llama3.2 为例，进入到 llama3.2 页面。
3. 使用命令 ollama run llama3.2:3b 让 Ollama 开始“上班”吧！它一上班，你就可以和模型进行互动啦！要让它下班休息？只需要输入 Ctrl+D，或者直接来一句 /bye，它就会乖乖“打卡”回家了。

步骤 2：Dify 对接 Ollama

好了，Ollama 已经准备就绪，现在是时候让它和 Dify 握个手，成为好搭档了 。

1. 打开 Dify，进入设置 -> 模型供应商。
2. 找到 Ollama，填写模型名称为 llama3.2:3b，基础 URL 填写为 http://host.docker.internal:11434，其他选项保持默认即可。这样 Ollama 就正式与 Dify 建立了“合作伙伴”关系。

步骤 3：FastGPT 对接 Ollama

接下来，我们也需要让 FastGPT 加入这场 AI 聚会 。

1. 登录 FastGPT 的模型配置页面，选择“渠道” -> 添加新渠道。

2. 在类型中选择 Ollama，名称填写 llama3.2:3b，代理地址填写为 http://host.docker.internal:11434，其他设置保持简单。因为密钥是必填项，你可以随便填写一些字符，FastGPT 不会认真查 。

3. 修改 config.json 文件，找到 llmModels 数组，然后添加以下内容：```
   {
   “model”: “llama3.2:3b”,
   “name”: “llama3.2:3b”,
   “avatar”: “/imgs/model/openai.svg”,
   “maxContext”: 125000,
   “maxResponse”: 4000,
   “quoteMaxToken”: 120000,
   “maxTemperature”: 1.2,
   “charsPointsPrice”: 0,
   “censor”: false,
   “vision”: true,
   “datasetProcess”: true,
   “usedInClassify”: true,
   “usedInExtractFields”: true,
   “usedInToolCall”: true,
   “usedInQueryExtension”: true,
   “toolChoice”: true,
   “functionCall”: false,
   “customCQPrompt”: “”,
   “customExtractPrompt”: “”,
   “defaultSystemChatPrompt”: “”,
   “defaultConfig”: {},
   “fieldMap”: {}
   }

4. 接着，在文件夹中执行 docker-compose down 来暂停服务，然后通过 docker-compose -f docker-compose-pgvector.yml up -d 重新启动服务。

5. 完成后，通过 http://localhost:3000 访问 FastGPT，你会看到你刚刚添加的 llama3.2:3b 模型已经在列表中等着你了！

现在，Ollama 已经成功地和 Dify、FastGPT 结合，整个系统就像是一支高效合作的团队，随时准备帮你解决各种问题。这种组合特别适合需要在本地高效管理和利用知识的场景。

后记

为什么要折腾部署 Ollama 并对接 FastGPT 和 Dify 呢？主要是因为想在本地搭建一套知识库，并结合 AI 来进行查询或训练等操作 。通过本地部署，用户可以更好地掌控数据的安全性和隐私性，同时可以自定义和优化 AI 的运行方式，让系统更符合自己的需求。这样一来，不仅可以满足日常工作中的各种需求，还能让你随时随地“调教”你的 AI，让它变得更加聪明伶俐，简直就是家里养了个智能小助手！

AI大模型学习福利

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

大模型&AI产品经理如何学习

求大家的点赞和收藏，我花2万买的大模型学习资料免费共享给你们，来看看有哪些东西。

1.学习路线图

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

2.视频教程

网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

（都打包成一块的了，不能一一展开，总共300多集）

因篇幅有限，仅展示部分资料，需要点击下方图片前往获取

3.技术文档和电子书

这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。

4.LLM面试题和面经合集

这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。

学会后的收获：
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

获取方式：
有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】