运行fastGPT 第四步配置ONE API 添加模型

上次已经装好了所有的依赖和程序。

下面在网页中配置One API ，这个是大模型的接口。配置好了之后，就可以配置fastGPT了。

打开 OneAPI 页面添加模型

这里要添加具体的付费模型的API接口填进来。
可以通过ip:3001访问OneAPI后台，**默认账号为root密码为123456。**在OneApi中添加合适的AI大模型渠道。比如我用质谱AI的API。

在这里插入图片描述
第一次进入，先改密码。

创建渠道也就是质谱AI的渠道 API KEY 添加进去

添加渠道，也就是添加模型和接口。
在这里插入图片描述
这里，比如我想添加GLM质谱AI的大模型，那么就去官网找到这个。找到具体的模型名字。因为我是用作 AI聊天客服，应对日常咨询。因此不需要强大的推理，而是需要急速回答，和便宜。
https://www.bigmodel.cn/pricing
在这里插入图片描述
找到以上的就可以了，向量模型用来处理文本，和知识库的信息。所以要一同加入。
注意，这里要手动填入模型的完整名字哦。否则列表中可能没有。有些新的模型版本，需要自己填写。
然后在你的大模型网站上，找到API KEY 粘贴进去，就可以了。每次就会扣费了。
在这里插入图片描述
测试一下，这里通过了，表示模型已经就位。可以调用了。

在这里插入图片描述

创建ONE API的令牌

创建令牌其实也就是ONE API 的KEY 用于给fastGPT调用。
在这里插入图片描述
创建了新的令牌TOKEN之后，你就能复制它了，就是一串密钥sk开头的

然后fastGPT通过这个，来调用你的ONE API上的接口。从而扣费。这样就能实现对个人的管理了。你可以通过ONE API来多给别人建立几个TOKEN ，每个人单独扣费。你能在后台看到他们的费用情况。

在这里插入图片描述
当然，您只是自己用，就随便。给自己随便填写一个额度。使劲用就行。保证您的大模型接口上有钱就行。

修改ONE API配置文件添加参数

找到上一篇文章中的/fastgpt/docker-compose.yml 这个文件，修改下面的参数。把你的ONE API得到的token粘贴进去。
好了，sk-xxxxxxXU73hQgQ6DaB01601610e41B992995cD929C6C4Ec，我的是这样的。
在这里插入图片描述
把oneapi，改成你的 ip。把 ip填进去替换oneapi就行，其它的不用改

修改FastGPT配置文件向其中添加模型信息

然后在去修改另一文件。/fastgpt/config.json
为fastGPT添加新模型GLM-4-AirX ,这个是和我们前面ONE API里加入的名字要一致。

 {"provider": "ZhiPu","model": "GLM-4-AirX",  // 新添加的模型"name": "GLM-4-AirX","maxContext": 8000,  // 你可以根据需要设置最大上下文"maxResponse": 4000,  // 最大回复"quoteMaxToken": 8000,// 最大引用内容"maxTemperature": 1,// 最大温度"charsPointsPrice": 0.01,  // n积分/1k token（商业版）"censor": false,// 是否开启敏感校验（商业版）"vision": false,// 是否支持图片输入"datasetProcess": true,"usedInClassify": true,"usedInExtractFields": true,"usedInToolCall": true,"usedInQueryExtension": true,"toolChoice": true,"functionCall": false,"customCQPrompt": "","customExtractPrompt": "","defaultSystemChatPrompt": "","defaultConfig": {"top_p": 0.7 },// 请求API时，挟带一些默认配置（比如 GLM4 的 top_p）"fieldMap": {}}

在这里插入图片描述

添加向量模型

   {"provider": "ZhiPu","model": "embedding-2",    // 模型名（与OneAPI对应）"name": "embedding-2",     // 模型展示名"charsPointsPrice":0.0005, // n积分/1k token"defaultToken": 700,       // 默认文本分割时候的 token"maxToken": 3000,          // 最大 token"weight": 100,             // 优先训练权重"defaultConfig": {} // 自定义额外参数。例如，如果希望使用 embedding3-large 的话，可以传入 dimensions:1024，来返回1024维度的向量。（目前必须小于1536维度）}