支持私有云部署
AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


FastGPT原理分析-数据集创建第一步

发布日期:2025-03-31 12:35:16 浏览次数: 1546 作者:大数据架构师修行之路
推荐语

深入探索FastGPT数据集创建的原理和实现细节。

核心内容:
1. FastGPT文件上传和预处理的整体流程
2. 数据集创建的详细实现逻辑分析
3. 数据预处理、插入MongoDB和事务处理的关键步骤

杨芳贤
53A创始人/腾讯云(TVP)最具价值专家
概述

FastGPT的文件上传过程分为两个阶段:第一个阶段:是文件上传。第二个阶段:是对文件进行向量化处理和QA化处理。本文介绍文件上传的总体流程,并对创建数据集的第一步的详细实现逻辑进行分析。

数据集创建总体流程

数据集创建分为两个步骤:

  1. 第一步:文件上传和预处理,插入记录到mongodb的训练队列dataset_trainings表中。

  2. 第二步:监控mongodb的插入操作,并启动数据处理:(1)嵌入向量的计算或(2)QA文本拆分。

// 第一步:创建数据集并插入mongodb的数据表中
createCollectionAndInsertData
   -> pushDataListToTrainingQueue // 将数据集数据推送到训练队列

// 第二步:注册处理函数,并自动处理数据
startMongoWatch
   -> createDatasetTrainingMongoWatch // 监控mongodb的插入操作,触发文本处理任务
      -> generateQA(); # QA问答对的处理
      -> generateVector();  # 嵌入向量处理

数据集创建第一步的实现

数据集创建的第一步就是上传文件并对数据进行预处理,然后获取相关数据处理的参数,并把参数保存到mongodb的训练队列中。后续的处理任务,会根据数据集的处理配置来调用相应的模型或服务进行处理。数据集处理第一步的主要逻辑如下:

实现逻辑说明

创建数据集是在createCollectionAndInsertData函数中进行处理的,该函数又主要调用了pushDataListToTrainingQueue,该函数的实现逻辑如下:

  1. 模型验证与配置

  • 验证参数中的推理大模型和嵌入向量大模型是否有效。

  • 根据训练模式(chunk/qa/auto)设置最大token数和权重

  • 如果模型无效或训练模式无效,会抛出错误

  1. 数据预处理

  • 使用 simpleText 函数清理问题和答案中的空白字符

  • 处理索引数据,同样进行文本清理

  • 过滤掉空问题、重复内容和超过最大token限制的数据

  • 将数据分类为成功、过长、重复和错误四类

  1. 数据插入

  • 使用批量插入的方式将数据插入到MongoDB中,每批200条

  • 如果批量插入失败,会记录失败的文档并尝试单独插入

  • 支持在传入的session中执行,如果没有传入session则创建新的事务

这个函数主要用于将数据集数据预处理后插入到训练队列中,确保数据的有效性和完整性,同时支持事务处理以保证数据一致性。

主要实现源码分析

export async function pushDataListToTrainingQueue({

  // 验证模型配置:检查agentModel和vectorModel的有效性,设置最大token数和权重。
  const { model, maxToken, weight } = await (async () => {
    const agentModelData = getLLMModel(agentModel);
    if (!agentModelData) {
      return Promise.reject(`File model ${agentModel} is inValid`);
    }
    const vectorModelData = getVectorModel(vectorModel);
    if (!vectorModelData) {
      return Promise.reject(`Vector model ${vectorModel} is inValid`);
    }
    


  • 设置最大token数和权重

    if (trainingMode === TrainingModeEnum.chunk) {
      return {
        maxTokenvectorModelData.maxToken * 1.5,
        modelvectorModelData.model,
        weightvectorModelData.weight
      };
    }

    if (trainingMode === TrainingModeEnum.qa || trainingMode === TrainingModeEnum.auto) {
      return {
        maxTokenagentModelData.maxContext * 0.8,
        modelagentModelData.model,
        weight0
      };
    }


  • 过滤过长或重复的内容

  // 过滤重复和过长的内容
  // filter repeat or equal content
  const set = new Set();
  const filterResultRecord<stringPushDatasetDataChunkProps[]> = {
    success: [],
    overToken: [],
    repeat: [],
    error: []
  };


  • 处理QA问答对的,并去掉空的字符

  // format q and a, remove empty char
  data.forEach((item=> {
    item.q = simpleText(item.q);
    item.a = simpleText(item.a);


  • 批量插入mongodb的dataset_trainings表中

  // 使用 insertMany 批量插入
  // 数据插入:批量插入数据(每批200条)
  const batchSize = 200;
  const insertData = async (startIndexnumbersessionClientSession=> {
    const list = filterResult.success.slice(startIndexstartIndex + batchSize);

    if (list.length === 0return;

    try {
      await MongoDatasetTraining.insertMany(
        list.map((item=> ({


总结

本文介绍了FastGpt创建数据集的总体流程,并详细分析了第一步的实现步骤和实现原理。可以看到,这一步只是把数据放到了Mongodb的训练队列的表中,那么,当数据插入到Mongodb后,该如何处理这些数据?而处理这些数据的任务又是如何触发的呢?这些实现的原理和逻辑,在下一篇文章中进行分析。

53AI,企业落地大模型首选服务商

产品:场景落地咨询+大模型应用平台+行业解决方案

承诺:免费场景POC验证,效果验证后签署服务协议。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

添加专属顾问

回到顶部

加载中...

扫码咨询