数据集

FastGPT 数据集中文件与数据的设计方案

文件与数据的关系

在 FastGPT 中,文件会通过 MongoDB 的 FS 存储,而具体的数据会通过 PostgreSQL 存储,PG 中的数据会有一列 file_id,关联对应的文件。考虑到旧版本的兼容,以及手动输入、标注数据等,我们给 file_id 增加了一些特殊的值,如下:

  • manual: 手动输入
  • mark: 手动标注的数据

注意,file_id 仅在插入数据时会写入,变更时无法修改。

文件导入流程

  1. 上传文件到 MongoDB 的 FS 中,获取 file_id,此时文件标记为 unused 状态
  2. 浏览器解析文件,获取对应的文本和 chunk
  3. 给每个 chunk 打上 file_id
  4. 点击上传数据:将文件的状态改为 used,并将数据推送到 mongo training 表中等待训练
  5. 由训练线程从 mongo 中取数据,并在获取向量后插入到 pg。