labring · c121914yu · Sep 6, 2023 · Sep 6, 2023
diff --git a/.github/workflows/deploy-preview.yml b/.github/workflows/deploy-preview.yml
@@ -18,14 +18,16 @@ jobs:
 
     # Job outputs
     outputs:
-      docs: ${{ steps.filter.outputs.docs }}
+      url: ${{ steps.vercel-action.outputs.preview-url }}
 
     # Steps represent a sequence of tasks that will be executed as part of the job
     steps:
       # Step 1 - Checks-out your repository under $GITHUB_WORKSPACE
       - name: Checkout
         uses: actions/checkout@v3
         with:
+          ref: ${{ github.event.pull_request.head.ref }}
+          repository: ${{ github.event.pull_request.head.repo.full_name }}
           submodules: recursive # Fetch submodules
           fetch-depth: 0 # Fetch all history for .GitInfo and .Lastmod
 
@@ -76,7 +78,7 @@ jobs:
       - name: Write md
         run: |
           echo "# 🤖 Generated by deploy action" > report.md
-          echo "[Deploy Actions Address](${{ needs.deploy-preview.outputs.docs }})" >> report.md
+          echo "[Deploy Actions Address](${{ needs.deploy-preview.outputs.url }})" >> report.md
           cat report.md
       - name: Gh Rebot for Sealos
         uses: labring/gh-rebot@v0.0.6

diff --git a/docSite/content/docs/custom-models/chatglm2-m3e.md b/docSite/content/docs/custom-models/chatglm2-m3e.md
@@ -9,16 +9,16 @@ weight: 200
 
 ## 前言
 
-FastGPT 默认使用了 openai 的 LLM 模型和向量模型，如果想要私有化部署的话，可以使用 ChatGLM2 和 m3e-large 模型。以下是由用户@不做了睡大觉 提供的接入方法。该镜像直接集成了 M3E-Large 和 ChatGLM2-6B 模型，可以直接使用。
+FastGPT 默认使用了 OpenAI 的 LLM 模型和向量模型，如果想要私有化部署的话，可以使用 ChatGLM2 和 m3e-large 模型。以下是由用户@不做了睡大觉 提供的接入方法。该镜像直接集成了 M3E-Large 和 ChatGLM2-6B 模型，可以直接使用。
 
 ## 部署镜像
 
-镜像名: `stawky/chatglm2-m3e:latest`  
-国内镜像名: `registry.cn-hangzhou.aliyuncs.com/kbgpt/chatglm2-m3e:latest`
-端口号: 6006
-镜像默认 sk-key: `sk-aaabbbcccdddeeefffggghhhiiijjjkkk`
++ 镜像名: `stawky/chatglm2-m3e:latest`  
++ 国内镜像名: `registry.cn-hangzhou.aliyuncs.com/kbgpt/chatglm2-m3e:latest`
++ 端口号: 6006
++ 镜像默认 sk-key: `sk-aaabbbcccdddeeefffggghhhiiijjjkkk`
 
-## 接入 OneAPI
+## 接入 [One API](/docs/installation/one-api/)
 
 为 chatglm2 和 m3e-large 各添加一个渠道，参数如下：
 
@@ -50,7 +50,7 @@ curl --location --request POST 'https://domain/v1/chat/completions' \
 }'
 ```
 
-Authorization 为 sk-aaabbbcccdddeeefffggghhhiiijjjkkk。model 为刚刚在 OneAPI 填写的自定义模型。
+Authorization 为 sk-aaabbbcccdddeeefffggghhhiiijjjkkk。model 为刚刚在 One API 填写的自定义模型。
 
 ## 接入 FastGPT
 
@@ -94,20 +94,20 @@ M3E 模型的使用方法如下：
 
 1. 创建知识库时候选择 M3E 模型。
 
-注意，一旦选择后，知识库将无法修改向量模型。
-
-![](/imgs/model-m3e2.png)
+   注意，一旦选择后，知识库将无法修改向量模型。
+   
+   ![](/imgs/model-m3e2.png)
 
 2. 导入数据
 3. 搜索测试
 
-![](/imgs/model-m3e3.png)
+   ![](/imgs/model-m3e3.png)
 
 4. 应用绑定知识库
 
-注意，应用只能绑定同一个向量模型的知识库，不能跨模型绑定。并且，需要注意调整相似度，不同向量模型的相似度（距离）会有所区别，需要自行测试实验。
-
-![](/imgs/model-m3e4.png)
+   注意，应用只能绑定同一个向量模型的知识库，不能跨模型绑定。并且，需要注意调整相似度，不同向量模型的相似度（距离）会有所区别，需要自行测试实验。
+   
+   ![](/imgs/model-m3e4.png)
 
 chatglm2 模型的使用方法如下：
 模型选择 chatglm2 即可
diff --git a/docSite/content/docs/custom-models/chatglm2.md b/docSite/content/docs/custom-models/chatglm2.md
@@ -68,7 +68,7 @@ ChatGLM2-6B 是开源中英双语对话模型 ChatGLM-6B 的第二代版本，
 端口号: 6006
 镜像默认 sk-key: `sk-aaabbbcccdddeeefffggghhhiiijjjkkk`
 
-## 接入 OneAPI
+## 接入 One API
 
 为 chatglm2 添加一个渠道，参数如下：
 
@@ -90,7 +90,7 @@ curl --location --request POST 'https://domain/v1/chat/completions' \
 }'
 ```
 
-Authorization 为 sk-aaabbbcccdddeeefffggghhhiiijjjkkk。model 为刚刚在 OneAPI 填写的自定义模型。
+Authorization 为 sk-aaabbbcccdddeeefffggghhhiiijjjkkk。model 为刚刚在 One API 填写的自定义模型。
 
 ## 接入 FastGPT
 

diff --git a/docSite/content/docs/custom-models/m3e.md b/docSite/content/docs/custom-models/m3e.md
@@ -23,7 +23,7 @@ FastGPT 默认使用了 openai 的 embedding 向量模型，如果你想私有
 sk-key=xxxx
 ```
 
-## 接入 OneAPI
+## 接入 One API
 
 添加一个渠道，参数如下：
 
@@ -43,7 +43,7 @@ curl --location --request POST 'https://domain/v1/embeddings' \
 }'
 ```
 
-Authorization 为 sk-key。model 为刚刚在 OneAPI 填写的自定义模型。
+Authorization 为 sk-key。model 为刚刚在 One API 填写的自定义模型。
 
 ## 接入 FastGPT
 

diff --git a/docSite/content/docs/installation/docker.md b/docSite/content/docs/installation/docker.md
@@ -55,11 +55,11 @@ brew install orbstack
 {{< tab tabName="Windows" >}}
 {{< markdownify >}}
 
-> 我们建议将源代码和其他数据绑定到 Linux 容器中时，将其存储在 Linux 文件系统中，而不是 Windows 文件系统中。
->
-> 可以选择直接[使用 WSL 2 后端在 Windows 中安装 Docker Desktop](https://docs.docker.com/desktop/wsl/)。
->
-> 也可以直接[在 WSL 2 中安装命令行版本的 Docker](https://nickjanetakis.com/blog/install-docker-in-wsl-2-without-docker-desktop)。
+我们建议将源代码和其他数据绑定到 Linux 容器中时，将其存储在 Linux 文件系统中，而不是 Windows 文件系统中。
+
+可以选择直接[使用 WSL 2 后端在 Windows 中安装 Docker Desktop](https://docs.docker.com/desktop/wsl/)。
+
+也可以直接[在 WSL 2 中安装命令行版本的 Docker](https://nickjanetakis.com/blog/install-docker-in-wsl-2-without-docker-desktop)。
 
 {{< /markdownify >}}
 {{< /tab >}}

diff --git a/docSite/content/docs/installation/one-api.md b/docSite/content/docs/installation/one-api.md
@@ -1,6 +1,6 @@
 ---
-title: '部署 one-api，实现多模型支持'
-description: '通过接入 one-api 来实现对各种大模型的支持'
+title: '部署 One API，实现多模型支持'
+description: '通过接入 One API 来实现对各种大模型的支持'
 icon: 'Api'
 draft: false
 toc: true
@@ -9,9 +9,9 @@ weight: 730
 
 默认情况下，FastGPT 只配置了 GPT 的 3 个模型，如果你需要接入其他模型，需要进行一些额外配置。
 
-[one-api](https://github.com/songquanpeng/one-api) 是一个 OpenAI 接口管理 & 分发系统，可以通过标准的 OpenAI API 格式访问所有的大模型，开箱即用。
+[One API](https://github.com/songquanpeng/one-api) 是一个 OpenAI 接口管理 & 分发系统，可以通过标准的 OpenAI API 格式访问所有的大模型，开箱即用。
 
-FastGPT 可以通过接入 one-api 来实现对各种大模型的支持。部署方法也很简单。
+FastGPT 可以通过接入 One API 来实现对各种大模型的支持。部署方法也很简单。
 
 ## MySQL 版本
 
@@ -55,38 +55,38 @@ BATCH_UPDATE_INTERVAL=60
 
 ## 使用步骤
 
-### 1. 登录 one-api
+### 1. 登录 One API
 
-打开 【one-api 应用详情】，找到访问地址：
+打开 【One API 应用详情】，找到访问地址：
 ![step4](/imgs/oneapi-step4.png)
 
-登录 one-api
+登录 One API
 ![step5](/imgs/oneapi-step5.png)
 
 ### 2. 创建渠道和令牌
 
-在 one-api 中添加对应渠道，直接点击 【添加基础模型】，不要遗漏了向量模型
+在 One API 中添加对应渠道，直接点击 【添加基础模型】，不要遗漏了向量模型
 ![step6](/imgs/oneapi-step6.png)
 
 创建一个令牌
 ![step7](/imgs/oneapi-step7.png)
 
 ### 3. 修改 FastGPT 的环境变量
 
-有了 one-api 令牌后，FastGPT 可以通过修改 baseurl 和 key 去请求到 one-api，再由 one-api 去请求不同的模型。修改下面两个环境变量：
+有了 One API 令牌后，FastGPT 可以通过修改 baseurl 和 key 去请求到 One API，再由 One API 去请求不同的模型。修改下面两个环境变量：
 
 ```bash
 # 下面的地址是 Sealos 提供的，务必写上 v1， 两个项目都在 sealos 部署时候，https://xxxx.cloud.sealos.io 可以改用内网地址
 OPENAI_BASE_URL=https://xxxx.cloud.sealos.io/v1
-# 下面的 key 是由 one-api 提供的令牌
+# 下面的 key 是由 One API 提供的令牌
 CHAT_API_KEY=sk-xxxxxx
 ```
 
 ## 接入其他模型
 
 **以添加文心一言为例:**
 
-### 1. One-API 添加对应模型渠道
+### 1. One API 添加对应模型渠道
 
 ![](/imgs/oneapi-demo1.png)
 
@@ -98,7 +98,7 @@ CHAT_API_KEY=sk-xxxxxx
 "ChatModels": [
     ...
     {
-      "model": "ERNIE-Bot", // 这里的模型需要对应 OneAPI 的模型
+      "model": "ERNIE-Bot", // 这里的模型需要对应 One API 的模型
       "name": "文心一言", // 对外展示的名称
       "contextMaxToken": 4000, // 最大长下文 token，无论什么模型都按 GPT35 的计算。GPT 外的模型需要自行大致计算下这个值。可以调用官方接口去比对 Token 的倍率，然后在这里粗略计算。
       // 例如：文心一言的中英文 token 基本是 1:1，而 GPT 的中文 Token 是 2:1，如果文心一言官方最大 Token 是 4000，那么这里就可以填 8000，保险点就填 7000.