本文主要内容本地部署 Dify、FastGPT、OllamaDify、FastGPT 对接一些目前免费的 LLM 大语言 AI 模型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：准备环境步骤 2.1：安装 Dify打开 页面。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。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。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 ☕️。完成后，可以在浏览器中访问 进行登录和配置。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 。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！）打开 FastGPT 官方 GitHub 页面。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。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。配置好后，执行以下命令来启动：

docker-compose -f docker-compose-pgvector.yml up -d

完成后，可以通过浏览器访问 :3000 来使用 FastGPT。FastGPT 的配置比 Dify 稍微复杂一些，需要在 :3001 配置模型，并修改 config.json 来匹配你的需求。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：

按照这些步骤，轻松搞定！

步骤 4：文件大小限制

# 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。

下载并安装 Ollama。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。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 。

打开 Dify，进入设置 -> 模型供应商。找到 Ollama，填写模型名称为 llama3.2:3b，基础 URL 填写为 :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 。

登录 FastGPT 的模型配置页面，选择“渠道” -> 添加新渠道。在类型中选择 Ollama，名称填写 llama3.2:3b，代理地址填写为 :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 。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": {}
}

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。完成后，通过 :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！

其他

原文地址：本地知识库部署指南：FastGPT 与 Dify，轻松上手！