最近一直想基于RAG（检索增强生成，Retrieval-Augmented Generation）和大语言模型（Large Language Model, LLM）技术搭建一套属于自己的个人知识库，以为会涉及到诸多复杂的流程，包括模型调用、界面开发等。今天找到了一点资料，发现特别简单，花了几分钟实现了一下，主要用到了三个软件：

• Ollama
• Docker
• AnythingLLM

1 基本资料介绍

大预言模型已经很常见了，包括ChatGPT、Claude、通义千问等等，此处就不再过多介绍了，这里主要介绍用到的几个软件和基本技术。

1.1 RAG

检索增强生成（RAG）是指对大型语言模型输出进行优化，使其能够在生成响应之前引用训练数据来源之外的权威知识库。大型语言模型（LLM）用海量数据进行训练，使用数十亿个参数为回答问题、翻译语言和完成句子等任务生成原始输出。在 LLM 本就强大的功能基础上，RAG 将其扩展为能访问特定领域或组织的内部知识库，所有这些都无需重新训练模型。这是一种经济高效地改进 LLM 输出的方法，让它在各种情境下都能保持相关性、准确性和实用性。

与RAG并生的另一种技术叫监督式微调（SFT），是将LLM模型注入新的知识库并将模型本身进行训练以获得所需要的结果，需要有一定的硬件设备。两种技术并不矛盾，其实互相结合才是最好的解决方案。本文不对此过多介绍，具体可网上搜索相关概念。

1.2 Ollama

ollama是一个开源的大型语言模型服务工具，它允许用户在自己的硬件环境中轻松部署和使用大规模预训练模型。 Ollama 的主要功能是在Docker容器内部署和管理大型语言模型（LLM），使得用户能够快速地在本地运行这些模型。 Ollama官网地址：https://ollama.com/

1.3 Docker

Docker 是一个软件平台，让您可以快速构建、测试和部署应用程序。Docker 将软件打包成名为容器的标准化单元，这些单元具有运行软件所需的所有功能，包括库、系统工具、代码和运行时。使用 Docker，可以将应用程序快速部署和扩展到任何环境中。

Docker官网地址：https://www.docker.com/

1.4 AnythingLLM

AnythingLLM是由Mintplex Labs Inc.开发的一个全栈应用程序，是一款高效、可定制、开源的企业级文档聊天机器人解决方案。 它能够将任何文档、资源或内容片段转化为大语言模型在聊天中可以利用的相关上下文。 AnythingLLM支持几乎所有的主流大模型和多种文档类型，可定制化，而且安装和设置简单。

2 实现流程

2.1 安装Ollama

• 下载Ollama（网址：https://ollama.com/download）

• 下载直接一路Next即可

• 在Ollama官网下载基准大预言模型，点击Models-Filter by name。我这里用的qwen2

我这里选择了qwen2:7b模型，大小为4.4G。

• 双击图标，运行ollama。之后，打开终端，windows电脑：win+cmd；mac电脑：图标终端。粘贴刚刚复制的命令，回会车，即可自动下载模型（可能网络会有些问题）

• 进一步，直接可以对话提问了。（不要关闭）

2.2 安装Docker

• 下载Docker，网站：https://www.docker.com/
• 直接安装即可，非常简单
• 双击运行

2.3 安装AnythingLLM

其实，AnythingLLM也有自己的界面，这里我们直接在Docker里面安装。

• ctrl+K或command+K，搜索AnythingLLM，并点击Pull，自动开始下载

• 下载好后，点击左侧栏目的Images，在右侧的镜像列表中点击AnythingLLM，再点击run启动镜像。
• 配置端口号，随便输入个4位数即可（不要与现有的容器名和端口冲突即可）

• 启动服务，跳转到浏览器

• 选择Ollama，选择刚刚下载好的qwen2:7b模型，max token自己任取

• 按如下选择，其他保持默认即可

• 这里是选择的配置，其中：Embedding Preference是Embedding偏好的模型，这里默认选择的是AnythingLLM Embedder；Vector Database向量库默认选择LanceDB

• 下一步输入邮件地址和用途，输入工作区名称，进入主页面

• 点击左侧的“个人知识库”，即可开始对话。当然在这之前，我们先上传个人知识库
• 点击上传按钮

• 上传文档，移动到右侧工作区，并将文档向量化（本地执行），稍等一下即成功。

• 回到主页面，选择“个人知识库“，开始对话。可以看到，结果还是很准的。

• 可在设置里面调整工作区名称、头像、文档相似性阈值等信息

3 结论

本期属于不务正业，基于RAG的个人本地知识库搭建还是很简单的，后面尝试把专业相关的知识注入进去，方便自己的个人知识库检索。