FastGPT 企业知识库搭建｜附完整命令

在企业数字化转型的过程中，知识管理一直是一个绕不开的话题。无论是客服团队的标准话术、销售团队的产品资料、研发团队的技术文档，还是行政、人事、财务等部门的制度文件，都会随着企业规模扩大而不断增加。如果这些资料长期分散在微信群、网盘、个人电脑、飞书文档、钉钉群文件或邮件附件中，员工查找信息的成本会越来越高，知识复用效率也会越来越低。

传统知识库虽然可以解决“资料集中存放”的问题，但并不一定能解决“快速找到答案”的问题。员工仍然需要输入关键词、翻目录、打开文档、逐段阅读，最后再自己总结答案。随着大语言模型的发展，企业知识库正在从“文档仓库”升级为“智能问答系统”。FastGPT 正是一个非常适合企业快速落地 AI 知识库的开源项目。

本文将围绕 FastGPT 的企业知识库搭建进行完整说明，包括它适合解决什么问题、部署前需要准备什么、如何通过 Docker 快速启动、如何配置模型、如何创建知识库、如何导入企业资料，以及上线后需要关注的权限、安全和运维要点。文章中也会附上常用命令，方便你直接复制执行。

一、FastGPT 是什么？

FastGPT 是一个基于大语言模型的知识库问答和工作流编排平台。它可以将企业内部文档进行向量化处理，存入向量数据库，然后在用户提问时，通过语义检索找到相关内容，再结合大语言模型生成自然语言答案。

简单来说，FastGPT 可以帮助企业把一堆静态文档变成一个可以对话的智能助手。

例如，企业原本有这些资料：

• 产品说明书
• 售后服务手册
• 常见问题 FAQ
• 内部规章制度
• 项目交付文档
• 技术接口文档
• 培训课件
• 销售报价规则
• 合同模板说明
• 运维排障手册

这些资料如果只是放在网盘里，员工仍然需要自己搜索和阅读。但接入 FastGPT 后，员工可以直接提问：

“客户忘记密码应该怎么处理？”
“某产品的标准交付周期是多少？”
“试用转正式的流程有哪些步骤？”
“员工出差报销需要提交哪些材料？”
“这个接口的鉴权方式是什么？”

FastGPT 会根据知识库中的内容检索相关片段，并生成较为完整、可读的回答。对于客服、销售、售前、运维、人事行政、技术支持等团队来说，这种方式可以显著降低重复咨询和人工查资料的成本。

二、为什么企业适合使用 FastGPT 搭建知识库？

企业使用 FastGPT 搭建知识库，最大的价值不是“赶上 AI 热点”，而是将内部知识变成可检索、可复用、可问答的生产力工具。

1. 降低员工查资料成本

很多企业知识并不是没有沉淀，而是沉淀之后难以查找。一个新员工想了解产品功能，可能要问同事、翻群记录、找文档链接、看几十页 PDF。使用 FastGPT 后，只需要用自然语言提问，就能快速获得答案和相关上下文。

2. 提高客服和销售响应效率

客服和销售经常需要回答大量重复问题，例如价格、功能、售后、交付周期、兼容性、使用限制等。如果这些信息全部进入知识库，一线人员就可以通过 AI 快速获得标准答案，减少因口径不一致带来的沟通风险。

3. 让企业知识标准化

企业内部很多回答依赖老员工经验，这会导致知识掌握不均衡。FastGPT 可以让企业将经验沉淀为文档，再将文档转化为可问答知识库，使团队输出更加统一。

4. 支持私有化部署

对于企业来说，数据安全非常重要。FastGPT 支持通过 Docker 私有化部署，企业可以将系统部署在自己的服务器或内网环境中，结合本地模型、私有模型服务或云端 API 使用。

5. 可扩展为业务工作流

FastGPT 不只是知识库问答工具，还支持应用编排和工作流能力。企业可以基于它搭建客服助手、销售助手、内部制度助手、技术支持助手、数据查询助手等不同应用。

三、部署前准备

在正式部署之前，建议先准备好服务器、域名、模型服务和基础环境。

1. 服务器配置建议

如果只是测试环境，可以使用较低配置服务器；如果是企业内部多人使用，建议配置适当提高。

测试环境推荐：

CPU：2 核以上
内存：4GB 以上
磁盘：40GB 以上
系统：Ubuntu 20.04 / Ubuntu 22.04

生产环境推荐：

CPU：4 核以上
内存：8GB 或 16GB 以上
磁盘：100GB 以上 SSD
系统：Ubuntu 22.04 LTS

需要注意的是，如果你只是通过 API 调用 OpenAI、Azure OpenAI、通义千问、智谱、DeepSeek 等模型服务，FastGPT 本身并不需要很强的 GPU。
如果你计划在本机部署大模型，例如 Qwen、Llama、DeepSeek-R1-Distill 等，则需要额外准备 GPU 服务器，这不属于普通 FastGPT 部署的最低要求。

2. 基础软件要求

本文采用 Docker Compose 部署方式，因此需要安装：

• Docker
• Docker Compose
• Git
• curl
• unzip

3. 模型服务准备

FastGPT 本身不是大模型，它需要连接模型服务。常见选择包括：

• OpenAI API
• Azure OpenAI
• DeepSeek API
• 通义千问 API
• 智谱 AI API
• Moonshot API
• 本地 One API / New API 中转服务
• Ollama 本地模型服务

企业实际部署时，建议使用统一模型网关，例如 One API、New API 或 LiteLLM。这样可以把不同厂商模型统一成 OpenAI 兼容接口，后期切换模型更方便。

四、安装 Docker 和 Docker Compose

以下命令以 Ubuntu 系统为例。

1. 更新系统软件包

sudo apt update
sudo apt upgrade -y

2. 安装基础依赖

sudo apt install -y curl wget git vim unzip ca-certificates gnupg lsb-release

3. 安装 Docker

使用官方脚本安装 Docker：

curl -fsSL https://get.docker.com | bash

安装完成后，启动 Docker 并设置开机自启：

sudo systemctl start docker
sudo systemctl enable docker

查看 Docker 版本：

docker -v

如果希望当前用户不用每次都输入 sudo，可以执行：

sudo usermod -aG docker $USER

执行后需要重新登录终端，或者直接重启服务器：

sudo reboot

4. 安装 Docker Compose

新版 Docker 通常已经内置 Compose 插件，可以通过以下命令检查：

docker compose version

如果没有安装，可以执行：

sudo apt install -y docker-compose-plugin

再次确认：

docker compose version

五、下载 FastGPT 部署文件

建议将 FastGPT 放在 /opt 目录下，方便后续管理。

cd /opt
sudo git clone https://github.com/labring/FastGPT.git
cd FastGPT

如果当前用户没有 /opt 写权限，可以使用：

sudo chown -R $USER:$USER /opt/FastGPT
cd /opt/FastGPT

查看项目文件：

ls

FastGPT 官方仓库中通常会提供 Docker Compose 相关配置文件。不同版本目录结构可能会有变化，建议进入项目后查看部署说明：

ls
find . -maxdepth 3 -name "docker-compose*.yml"

如果你希望直接使用官方推荐配置，可以优先参考项目中的 projects/app/data/config.json、docker-compose.yml 或官方文档中对应版本的部署文件。

六、使用 Docker Compose 启动 FastGPT

FastGPT 一般依赖以下组件：

• FastGPT Web 服务
• MongoDB
• PostgreSQL
• 向量数据库扩展或相关向量存储服务
• Sandbox / API 相关服务
• 模型接口配置

实际组件会随版本变化而调整，所以部署时应以当前仓库的 docker-compose.yml 为准。

如果仓库中已经提供完整 Compose 文件，可以执行：

cd /opt/FastGPT
docker compose up -d

查看容器状态：

docker compose ps

查看启动日志：

docker compose logs -f

如果只想查看某个服务日志，例如 FastGPT 主服务，可以先查看服务名：

docker compose ps

然后执行：

docker compose logs -f fastgpt

如果需要停止服务：

docker compose down

如果修改配置后需要重新启动：

docker compose restart

如果更新镜像后重新启动：

docker compose pull
docker compose up -d

七、配置 FastGPT 环境变量

FastGPT 的部署通常需要配置数据库连接、系统密钥、访问地址、模型接口等内容。不同版本的配置方式可能略有不同，但常见配置通常包括：

OPENAI_BASE_URL=https://api.openai.com/v1
CHAT_API_KEY=你的模型API密钥
TOKEN_KEY=自定义随机字符串
ROOT_KEY=管理员初始化密钥

如果使用 OpenAI 兼容接口，例如 DeepSeek、One API、New API、LiteLLM，可以将 OPENAI_BASE_URL 改成对应接口地址。

例如使用 DeepSeek：

OPENAI_BASE_URL=https://api.deepseek.com/v1
CHAT_API_KEY=sk-xxxxxxxxxxxxxxxx

例如使用本地 One API：

OPENAI_BASE_URL=http://one-api:3000/v1
CHAT_API_KEY=sk-xxxxxxxxxxxxxxxx

如果你通过反向代理暴露服务，还需要配置外部访问地址，例如：

FE_DOMAIN=https://fastgpt.example.com

修改环境变量后，重启服务：

docker compose down
docker compose up -d

查看日志确认是否启动成功：

docker compose logs -f

八、配置模型与向量模型

企业知识库问答通常需要两类模型：

1. 对话模型：负责理解问题并生成答案
2. 向量模型：负责把文档和问题转换成向量，用于语义检索

对话模型可以选择：

• gpt-4o-mini
• gpt-4o
• deepseek-chat
• qwen-plus
• qwen-turbo
• glm-4
• 本地部署的 Qwen / Llama 系列模型

向量模型可以选择：

• text-embedding-3-small
• text-embedding-3-large
• bge-m3
• bge-large-zh
• m3e
• 各云厂商提供的 embedding 模型

如果你的知识库主要是中文资料，建议优先选择中文效果较好的 embedding 模型，例如 bge-m3 或主流厂商的中文向量模型。
如果你的知识库中包含中英文混合内容，可以选择多语言能力较好的向量模型。

在企业场景中，模型选择不应该只看效果，还要考虑以下因素：

• 成本是否可控
• 响应速度是否稳定
• 是否支持高并发
• 数据是否允许传到第三方
• 是否有私有化或专属实例方案
• 是否兼容 OpenAI API 格式

九、访问 FastGPT 控制台

容器启动后，可以通过服务器 IP 和端口访问 FastGPT。具体端口以你的 Compose 配置为准，常见情况是：

http://服务器IP:3000

如果你配置了域名和反向代理，则访问：

https://fastgpt.example.com

首次访问时，通常需要创建管理员账户或使用初始化密钥。管理员进入系统后，可以进行以下操作：

• 创建团队
• 创建知识库
• 配置模型
• 创建应用
• 设置成员权限
• 上传文档
• 调试问答效果

建议企业不要直接使用默认密码或简单密钥，初始化完成后应立即修改管理员密码，并妥善保管系统密钥。

十、使用 Nginx 配置域名访问

如果你希望通过域名访问 FastGPT，可以使用 Nginx 做反向代理。

1. 安装 Nginx

sudo apt install -y nginx

2. 新建站点配置

sudo vim /etc/nginx/sites-available/fastgpt.conf

写入以下内容，将域名和端口改成你自己的：

server {
    listen 80;
    server_name fastgpt.example.com;

    client_max_body_size 100m;

    location / {
        proxy_pass http://127.0.0.1:3000;
        proxy_http_version 1.1;

        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
        proxy_set_header X-Forwarded-Proto $scheme;

        proxy_set_header Upgrade $http_upgrade;
        proxy_set_header Connection "upgrade";
    }
}

启用配置：

sudo ln -s /etc/nginx/sites-available/fastgpt.conf /etc/nginx/sites-enabled/fastgpt.conf

检查 Nginx 配置：

sudo nginx -t

重载 Nginx：

sudo systemctl reload nginx

3. 配置 HTTPS 证书

安装 Certbot：

sudo apt install -y certbot python3-certbot-nginx

申请证书：

sudo certbot --nginx -d fastgpt.example.com

查看自动续期状态：

sudo certbot renew --dry-run

完成后，就可以通过 HTTPS 访问：

https://fastgpt.example.com

十一、创建企业知识库

部署完成后，接下来就可以在 FastGPT 中创建企业知识库。建议按照业务场景进行分类，而不是把所有文件都放在一个知识库中。

常见分类方式如下：

1. 按部门划分

• 客服知识库
• 销售知识库
• 售前知识库
• 人事行政知识库
• 财务制度知识库
• 技术支持知识库
• 运维知识库

2. 按产品线划分

• 产品 A 知识库
• 产品 B 知识库
• 产品 C 知识库
• API 文档知识库
• 私有化部署知识库
• SaaS 使用说明知识库

3. 按使用场景划分

• 新员工培训助手
• 客服问答助手
• 销售话术助手
• 技术排障助手
• 项目交付助手
• 内部制度助手

在创建知识库时，需要选择向量模型、索引方式、分段策略等配置。对于大多数企业文档来说，建议先使用默认分段策略，然后根据问答效果再逐步调整。

十二、导入企业文档

FastGPT 支持多种文档导入方式，常见包括：

• PDF
• Word
• Markdown
• TXT
• Excel
• 网页链接
• 手动录入文本
• API 导入

在导入文档前，建议先做一次资料整理。不要把混乱、过期、重复、互相矛盾的文件直接丢进知识库，否则 AI 生成的答案也会受到影响。

文档整理建议

1. 删除过期文件
2. 合并重复内容
3. 将扫描版 PDF 转成可复制文本
4. 保持标题层级清晰
5. 每个文档只描述一个主题
6. 对流程类内容使用编号列表
7. 对规则类内容注明适用范围和更新时间
8. 对产品参数类内容使用表格
9. 对常见问题使用“问题-答案”格式
10. 对敏感信息进行脱敏处理

例如，原始文档中可能写着：

客户如果不能登录，看下是不是密码问题，也可能是账号被禁用，可以找管理员处理。

整理后更适合知识库的写法是：

## 客户无法登录的处理流程

1. 确认客户输入的账号是否正确。
2. 引导客户使用“忘记密码”功能重置密码。
3. 如果重置后仍无法登录，检查账号状态是否被禁用。
4. 如果账号被禁用，由系统管理员在后台恢复账号。
5. 如果以上步骤均无效，提交工单给技术支持团队。

结构化内容越清晰，后续检索和生成效果越好。

十三、创建 AI 应用

知识库导入完成后，需要创建一个面向用户使用的 AI 应用。这个应用可以理解为“对话入口”，它决定了用户如何提问、AI 如何检索知识库、如何组织回答。

创建应用时，建议配置以下内容：

1. 应用名称

例如：

企业内部知识助手

或者更具体一些：

客服知识库助手
销售产品问答助手
人事制度问答助手

2. 系统提示词

系统提示词非常重要，它会影响 AI 的回答风格和边界。可以参考以下模板：

你是企业内部知识库助手。请优先根据知识库内容回答用户问题。
如果知识库中没有相关信息，请明确说明“当前知识库中未找到相关内容”，不要编造答案。
回答时要求准确、简洁、结构清晰。
如果问题涉及流程，请使用编号列表。
如果问题涉及制度，请提醒用户以公司最新正式文件为准。

3. 关联知识库

将应用绑定到前面创建的知识库。对于客服助手，可以绑定产品 FAQ、售后流程、问题排查手册；对于人事助手，可以绑定考勤制度、报销制度、入离职流程等。

4. 检索参数

常见参数包括：

• 检索条数
• 相似度阈值
• 重排模型
• 引用显示
• 上下文长度
• 问题改写

如果回答经常找不到内容，可以适当降低相似度阈值或增加检索条数。
如果回答引用太多无关内容，可以提高阈值或优化文档分段。

十四、企业知识库效果优化

FastGPT 搭建完成并不代表知识库已经好用。真正决定使用体验的，是文档质量、分段策略、模型能力和提示词配置。

1. 优化文档结构

文档标题要清晰，内容要具体。不要把多个主题混在同一个长段落中。
例如，“报销制度”中应明确区分交通报销、住宿报销、餐费报销、审批流程、发票要求等。

2. 控制文档分段

分段太短会导致上下文不完整，分段太长会导致检索不精准。
一般来说，企业制度、FAQ、产品说明适合中等长度分段；接口文档、参数说明适合按标题和表格切分。

3. 建立标准问答集

对于高频问题，可以专门整理一批 FAQ。例如：

## Q：客户如何申请退款？
A：客户需要在订单完成后 7 天内提交退款申请，并提供订单号、付款凭证和退款原因。客服审核通过后，财务将在 3-5 个工作日内处理。

FAQ 对知识库问答效果提升非常明显，因为它更接近用户真实提问方式。

4. 使用引用来源

企业场景建议开启答案引用来源。这样用户可以看到答案来自哪份文档，方便核对，也能减少对 AI “凭空编造”的担忧。

5. 定期清理旧资料

知识库不是一次性项目，而是需要持续运营。建议每个部门指定知识负责人，定期检查过期文档，更新产品信息、流程制度和常见问题。

十五、权限与安全建议

企业知识库涉及大量内部资料，因此必须重视权限和安全。

1. 按团队授权

不要让所有员工都能访问所有知识库。
例如，财务制度可以开放给全员，但薪酬数据、合同模板、客户隐私信息应限制访问。

2. 控制管理员数量

管理员权限应只分配给少数负责人。普通员工只需要使用应用，不应拥有删除知识库、修改模型配置或导出数据的权限。

3. 管理 API Key

如果使用第三方模型 API，应妥善保管密钥，避免写入公开仓库或聊天群。可以通过 .env 文件、服务器环境变量或密钥管理系统保存。

4. 避免上传敏感原始数据

身份证号、银行卡号、客户手机号、合同金额、商业秘密等内容，建议先脱敏再进入知识库。
如果必须处理敏感信息，应选择私有化模型或符合企业安全要求的模型服务。

5. 开启 HTTPS

如果 FastGPT 需要公网访问，必须配置 HTTPS，避免账号密码和请求内容被明文传输。

6. 做好备份

知识库数据、数据库、配置文件都需要定期备份。否则一旦服务器故障或误删数据，恢复成本会很高。

十六、常用运维命令汇总

查看容器状态

docker compose ps

查看全部日志

docker compose logs -f

查看最近 200 行日志

docker compose logs --tail=200

重启服务

docker compose restart

停止服务

docker compose down

启动服务

docker compose up -d

拉取最新镜像

docker compose pull

更新并重启

docker compose pull
docker compose up -d

查看磁盘占用

df -h

查看 Docker 占用空间

docker system df

清理无用镜像和缓存

docker system prune -a

执行清理命令前要确认不会误删仍需要的镜像和缓存。

十七、数据库备份建议

如果 FastGPT 用到了 MongoDB 和 PostgreSQL，建议定期备份。以下命令仅作为通用示例，实际容器名、用户名和数据库名需要根据你的 Compose 文件调整。

1. 备份 MongoDB

查看容器名：

docker compose ps

执行备份：

docker exec -it mongodb mongodump --out /data/backup

将备份复制到宿主机：

docker cp mongodb:/data/backup ./mongodb-backup

2. 备份 PostgreSQL

docker exec -t postgres pg_dump -U postgres postgres > postgres-backup.sql

3. 打包备份文件

tar -czvf fastgpt-backup-$(date +%F).tar.gz ./mongodb-backup ./postgres-backup.sql

建议将备份文件同步到对象存储、NAS 或另一台服务器，避免与业务服务器放在同一块磁盘上。

十八、常见问题排查

1. 页面无法访问

先检查容器是否启动：

docker compose ps

再检查端口是否监听：

ss -tulnp | grep 3000

查看日志：

docker compose logs -f

如果使用了云服务器，还需要检查安全组是否放行端口。

2. 模型调用失败

常见原因包括：

• API Key 错误
• Base URL 配置错误
• 模型名称填写错误
• 模型服务余额不足
• 网络无法访问模型接口
• 企业防火墙阻止外部请求

可以在服务器上用 curl 测试模型接口：

curl https://api.openai.com/v1/models \
  -H "Authorization: Bearer sk-xxxxxxxx"

如果使用兼容 OpenAI 格式的服务，需要将地址替换成对应厂商或网关地址。

3. 文档上传后回答不准确

可以从以下几个方面检查：

• 文档是否内容过期
• 文档是否存在重复和冲突
• 分段是否过长或过短
• 向量模型是否适合中文
• 检索阈值是否过高
• 是否开启了引用来源
• 提示词是否要求不能编造答案

4. 回答速度较慢

常见原因包括：

• 模型接口响应慢
• 文档检索数量过多
• 上下文过长
• 服务器配置较低
• 网络延迟较高
• 并发请求过多

可以尝试降低检索条数、缩短上下文、选择响应更快的模型，或者将模型网关部署在同一区域。

十九、企业落地建议

FastGPT 的技术部署并不复杂，真正困难的是企业知识库的持续运营。很多企业在上线初期效果不错，但如果没有人维护文档，几个月后知识库就会出现内容过期、答案不准、员工不信任的问题。

建议企业按照以下方式推进：

第一阶段：选一个高频场景试点

不要一开始就做“全公司统一知识库”。可以先选择一个边界清晰、资料相对完整、问题高频的场景，例如客服 FAQ、人事制度或产品售前问答。

第二阶段：整理核心资料

将过期、重复、低质量文档剔除，整理出一批高质量 Markdown、Word 或 PDF 文档。内容越清晰，AI 效果越好。

第三阶段：邀请真实用户测试

让客服、销售、行政或技术支持人员用真实问题测试知识库。记录回答不准的问题，并反向优化文档和提示词。

第四阶段：建立维护机制

每个知识库都应该有负责人，负责资料更新、问题反馈、权限管理和效果评估。

第五阶段：扩展更多应用

当一个场景跑通后，再逐步扩展到更多部门，例如销售助手、售后助手、交付助手、研发文档助手等。

二十、总结

FastGPT 是企业搭建 AI 知识库的一种高效选择。它可以将分散在各处的企业文档转化为可对话、可检索、可复用的智能问答系统，帮助员工更快获取信息，帮助团队降低重复沟通成本，也能让企业内部知识真正沉淀下来。

从技术角度看，FastGPT 的部署门槛并不高，使用 Docker Compose 就可以较快完成基础环境搭建。真正影响项目成败的关键，往往不是能不能启动系统，而是知识是否整理清楚、权限是否规划合理、模型是否配置得当、后续是否有人持续维护。

如果你是第一次搭建企业知识库，建议从一个小场景开始，例如客服 FAQ 或内部制度问答。先让它真正解决一部分人的实际问题，再逐步扩展到更多业务线。这样既能降低试错成本，也更容易让团队看到 AI 知识库的实际价值。

最后，FastGPT 不是简单的“文档上传工具”，而是企业知识管理和 AI 应用落地的基础平台。只要结合清晰的业务场景、规范的文档体系和稳定的运维机制，它就可以成为企业内部非常实用的智能助手。