接入 M3E 向量模型

将 FastGPT 接入私有化模型 M3E

前言

FastGPT 默认使用了 openai 的 embedding 向量模型,如果你想私有部署的话,可以使用 M3E 向量模型进行替换。M3E 向量模型属于小模型,资源使用不高,CPU 也可以运行。下面教程是基于 “睡大觉” 同学提供的一个的镜像。

部署镜像

镜像名: stawky/m3e-large-api:latest
国内镜像: registry.cn-hangzhou.aliyuncs.com/fastgpt_docker/m3e-large-api:latest 端口号: 6008 环境变量:

  1. # 设置安全凭证(即oneapi中的渠道密钥)
  2. 默认值:sk-aaabbbcccdddeeefffggghhhiiijjjkkk
  3. 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

添加一个渠道,参数如下:

接入 M3E 向量模型 - 图1

测试

curl 例子:

  1. curl --location --request POST 'https://domain/v1/embeddings' \
  2. --header 'Authorization: Bearer xxxx' \
  3. --header 'Content-Type: application/json' \
  4. --data-raw '{
  5. "model": "m3e",
  6. "input": ["laf是什么"]
  7. }'

Authorization 为 sk-key。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 vectorModels 中加入 M3E 模型:

  1. "vectorModels": [
  2. {
  3. "model": "text-embedding-ada-002",
  4. "name": "Embedding-2",
  5. "price": 0.2,
  6. "defaultToken": 500,
  7. "maxToken": 3000
  8. },
  9. {
  10. "model": "m3e",
  11. "name": "M3E(测试使用)",
  12. "price": 0.1,
  13. "defaultToken": 500,
  14. "maxToken": 1800
  15. }
  16. ]

测试使用

  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。

    接入 M3E 向量模型 - 图2

  2. 导入数据

  3. 搜索测试

    接入 M3E 向量模型 - 图3

  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。

    接入 M3E 向量模型 - 图4