企业官网建设流程全解析

1. 本地 RAG 链路里最容易被忽略的 Key 管理问题

FastGPT 接 ollama 本地 qwen2:7b，再挂 oneapi 做网关、m3e 做向量模型，这套组合在本地知识库圈子里已经算标配。但真正跑起来之后，很多人卡住的地方不是模型本身，而是 Key 分散在四五个地方：ollama 不需要 Key、oneapi 有自己的令牌体系、FastGPT 的 config.json 里写死了 CHAT_API_KEY、m3e 渠道又单独配一个 key。一旦某个环节的 Key 对不上，知识库就会一直报 401 或 404，而且报错信息往往指向向量模型，让人误以为是 m3e 挂了。

我自己搭这套环境的时候，最头疼的就是 m3e 渠道的 key 匹配问题——有时候能连上，有时候重启一次就失效。后来把 oneapi 的渠道配置和 FastGPT 的 config 骨架对齐之后才稳定下来。这篇就按「ollama 起模型 → oneapi 配渠道 → FastGPT 写 config → 验证知识库问答」的顺序，把整条链路的 Key 统一到 TaoToken 的配置思路上，让你一次性跑通本地 RAG。

适合已经在本地跑过 Docker、对 FastGPT 有基本了解、但被多服务 Key 管理绕晕的人。如果你还没装 Docker Desktop，建议先把容器环境准备好再往下看。

2. TaoToken 在链路里的位置与前置准备

TaoToken 在这里的角色是统一 Key 入口。你可以把它理解成一个「Key 中转站」：FastGPT 和 oneapi 不需要各自记一堆不同服务的密钥，而是通过 TaoToken 拿到统一的访问凭证，再分发给下游的 ollama、m3e 等本地服务。官网地址是 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API 入口是 https://taotoken.net/api 。

前置准备分三块。第一块是 ollama 侧：确认ollama serve已经在跑，ollama list能看到 qwen2:7b。第二块是 oneapi 侧：容器起来后能登录 3001 端口，root 账号能进渠道管理页。第三块是 FastGPT 侧：3000 端口能打开，config.json 挂载路径正确。

注意：oneapi 的令牌和渠道一旦配好，尽量不要随意改动。如果动了渠道 key 而 FastGPT 的 config 没同步，m3e 向量模型会直接 401，知识库整个不可用。

拿 TaoToken 的 Key 走这个路径：先到模型对话页确认账号可用，再到 API Keys 页面生成一个 key。生成之后先别急着填进 config，先在终端用 curl 验证一次，确认这个 key 能正常返回。

curl https://taotoken.net/api/v1/models \ -H "Authorization: Bearer sk-你的TaoTokenKey"

返回里能看到模型列表，说明 key 本身没问题。这一步很多人跳过，结果后面报错时分不清是 key 错还是渠道错。

3. FastGPT config.json 骨架与 oneapi 渠道配置

FastGPT 的 config.json 用 json5 解析，注释会自动去掉，所以你可以放心写注释。核心是llmModels和vectorModels两段。qwen2:7b 走 ollama，m3e 走 oneapi 转发。

{ "feConfigs": { "lafEnv": "https://laf.dev" }, "systemEnv": { "vectorMaxProcess": 15, "qaMaxProcess": 15, "tokenWorkers": 50, "pgHNSWEfSearch": 100 }, "llmModels": [ { "model": "qwen2:7b", "name": "qwen2", "avatar": "/imgs/model/openai.svg", "maxContext": 125000, "maxResponse": 4000, "quoteMaxToken": 120000, "maxTemperature": 1.2, "charsPointsPrice": 0, "censor": false, "vision": true, "datasetProcess": false, "usedInClassify": true, "usedInExtractFields": true, "usedInToolCall": true, "usedInQueryExtension": true, "toolChoice": true, "functionCall": false, "defaultConfig": {} } ], "vectorModels": [ { "model": "m3e", "name": "m3e", "price": 0.2, "defaultToken": 700, "maxToken": 3000 } ], "reRankModels": [], "whisperModel": { "model": "whisper-1", "name": "Whisper1", "charsPointsPrice": 0 } }

oneapi 侧要在渠道页新增两个渠道。qwen2:7b 渠道类型选「自定义渠道」，Base URL 填 ollama 的地址加/v1，模型名写qwen2:7b。m3e 渠道类型同样选自定义，Base URL 填 m3e 容器的地址加端口，模型名写m3e。两个渠道的 key 都填 TaoToken 生成的统一 key。

FastGPT 的 docker-compose 里，OPENAI_BASE_URL指向 oneapi 的 3001 端口加/v1，CHAT_API_KEY填 oneapi 里生成的令牌。这里有个坑：oneapi 的令牌和渠道 key 是两回事。渠道 key 是 oneapi 去调下游服务用的，令牌是 FastGPT 调 oneapi 用的。两者不能混。

environment: - OPENAI_BASE_URL=http://192.168.149.163:3001/v1 - CHAT_API_KEY=sk-你的oneapi令牌 - DEFAULT_ROOT_PSW=1234 - MONGODB_URI=mongodb://myusername:mypassword@mongo:27017/fastgpt?authSource=admin - PG_URL=postgresql://username:password@pg:5432/postgres

改完 config.json 和 compose 之后，docker-compose down再docker-compose up -d，不要只 restart，否则挂载的 config 可能不生效。

4. 验证请求与知识库问答连通性

配置写完，先验证 oneapi 到 ollama 的链路。在 oneapi 渠道页点「测试」，qwen2:7b 渠道应该返回成功。如果失败，检查 ollama 是否监听在 0.0.0.0 而不是 127.0.0.1，容器内访问宿主机 IP 才能通。

curl http://192.168.149.163:3001/v1/chat/completions \ -H "Authorization: Bearer sk-你的oneapi令牌" \ -H "Content-Type: application/json" \ -d '{ "model": "qwen2:7b", "messages": [{"role": "user", "content": "你好"}] }'

返回里有choices字段就说明对话链路通了。接着验证 m3e 向量模型。在 FastGPT 后台新建一个知识库，上传一个 txt 文件，看索引过程是否报错。如果卡在「向量处理中」然后 401，说明 m3e 渠道 key 不对。

curl http://192.168.149.163:3001/v1/embeddings \ -H "Authorization: Bearer sk-你的oneapi令牌" \ -H "Content-Type: application/json" \ -d '{ "model": "m3e", "input": "测试文本" }'

返回里有data数组且embedding长度正常，说明 m3e 通了。最后在 FastGPT 里建一个应用，关联这个知识库，问一个文件里有的问题。如果回答能引用到文件内容，整条 RAG 链路就跑通了。

实测下来，最容易出问题的是 m3e 的maxToken和defaultToken设置。如果文件分块太大，超过 3000 token，向量化会失败。建议在知识库参数里把分块大小控制在 700 左右，和 config 里的defaultToken对齐。

5. 本篇常见报错排查

401 Unauthorized：先分清楚是哪一层。FastGPT 报 401，查CHAT_API_KEY是否和 oneapi 令牌一致。oneapi 报 401，查渠道 key 是否和 TaoToken key 一致。m3e 报 401，查 m3e 渠道的 key 是否填对。

404 Not Found：通常是 Base URL 少了/v1，或者模型名拼写不一致。ollama 的模型名是qwen2:7b，oneapi 渠道里也要写qwen2:7b，FastGPT config 里model字段同样要一致。

m3e 渠道时好时坏：这是 oneapi 的渠道缓存问题。改完渠道后，在 oneapi 系统设置里清一次缓存，再重启 FastGPT 容器。另外确认 m3e 容器的端口 6008 没有被其他服务占用。

知识库一直转圈：检查vectorMaxProcess和qaMaxProcess是否设得太大导致内存不够。本地机器建议先设 5 和 5，跑通后再往上调。tokenWorkers不要超过 50，否则会持续占内存。

docker-compose up 后 config 没生效：确认 volumes 挂载路径是绝对路径还是相对路径。相对路径是相对于 compose 文件所在目录，不是相对于你执行命令的目录。

6. 统一 Key 之后的维护建议

把 Key 统一到 TaoToken 之后，日常维护会简单很多。你只需要在 TaoToken 的 API Keys 页面管理一个 key，oneapi 和 FastGPT 都引用它。如果 key 需要轮换，改一处，重启两个容器就行。

长期跑本地编码或 Agent 任务的话，可以考虑 Coding Plan，把模型调用和 Key 管理都收拢到一处。接入文档在 https://taotoken.net/doc ，里面有各语言的调用示例。模型对话页可以用来快速验证 key 是否有效，不用每次都起容器。

最后提醒一句：oneapi 的INITIAL_ROOT_TOKEN和 MySQL 的 root 密码在首次运行后就固定了，后面改环境变量不会生效。要改的话得删掉./mysql和./oneapi数据卷重新初始化。所以第一次部署时就把密码设好，别等跑起来再改。