全民AI时代：手把手教你用Ollama & AnythingLLM搭建AI知识库，无需编程，跟着做就行！

全民AI时代：手把手教你用Ollama & AnythingLLM搭建AI知识库，无需编程，跟着做就行！

Aitrainee | 公众号：AI进修生

文章太长了，请点击这里查看原文：全民AI时代：手把手教你用Ollama & AnythingLLM搭建AI知识库，无需编程，跟着做就行！

Hello，我是Aitraine，在本地电脑上跑大语言模型（LLM），已经不是什么高科技操作了。随着技术的迭代，现在利用Ollam和AnythingLLM就可以轻松构建自己的本地知识库，
_人人皆可上手，有手就行 _ 。过往要达成这一目标，可是需要有编程经验的。

首先得了解一下背后的原理。大概就是三步走：一是LLM，大语言模型，懂得怎么处理自然语言。二是嵌入模型，它的工作就是把复杂的数据简化，转化成易于处理的格式。最后是向量数据库，专门存储和管理那些转化后的数据。

说实话，虽然文章有点长，但里面多是附加的资源和细节，实际上手操作真的挺简单的。感兴趣的朋友，动手试试吧，说不定用 ** AI ** 构建自己知识库这种事
** 挺酷 ** 的。

现在，咱们来看看如何实操：

第一步：安装ollam

1. 1. ollam ，这玩意儿现在可以说是跑大模型的神器。不管你用的是PC、Mac还是树莓派，只要内存够，跑起来都不是问题。记得，7B模型至少要8G内存，13B的要16G，想玩70B的大家伙，那得有64G。首先，去 ollama.com 下载适合你操作系统的版本，我用的是Windows，下载安装完之后，在命令行敲一下 ollama -V ，能看到版本号就说明安装好了。
2. 1. 下载适合本地电脑的大模型 ，ollama网站上有个“Models”链接，点进去找到“gemma”模型。在“Tags”里面找到你想运行的模型版本，比如“7b”，旁边有个复制按钮，点击后把命令复制下来。然后就是在命令行里跑这个命令，第一次运行会自动下载模型。下载完毕，就能开始和它聊天或者让它帮你写代码了。
3. 

终端输入：

ollama run llama2:7b

下载完成后，就进入交互模式，这就可以开始聊天了。

至此，Gemma 模型的 _** 本地部署运行已经完成了 ** _ ，非常简单。

1. 使用像 ChatGPT 那样的现代的聊天窗口

虽然部署完成了，但是上面那种 _** 古老的终端 ** _
可能影响我们的交互体验，下面提供两个现代聊天窗口工具（如果你不想使用这些GUI，这一步可以跳过，不影响本地知识库搭建， ** 直接去看下面的第二步： **
** AnythingLLM安装 ** ）：chatbox 和 openai web ui。

第一个：chatbox

打开设置，模型提供方选 ollama，API 地址是本地的 11434 端口，模型选 gemma:7b。

地址：https://chatboxai.app/zh

第二个：openai web ui ****

如何安装🚀
请注意，对于某些 Docker 环境，可能需要额外的配置。如果您遇到任何连接问题，我们有关Open WebUI 文档的详细指南随时可以为您提供帮助。

快速开始使用 Docker 🐳
使用 Docker 安装 Open WebUI 时，请确保

-v open-webui:/app/backend/data

在 Docker
命令中包含 。此步骤至关重要，因为它确保您的数据库正确安装并防止任何数据丢失。

• • 如果 Ollama 在您的计算机上，请使用以下命令：docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main
• • 如果 Ollama 位于不同的服务器上，请使用以下命令：## 要连接到另一台服务器上的 Ollama，请将 更改 OLLAMA_BASE_URL 为服务器的 URL：docker run -d -p 3000:8080 -e OLLAMA_BASE_URL=https://example.com -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main

安装完成后，您可以通过 http://localhost:3000 访问 Open WebUI。享受！😄

打开 WebUI：服务器连接错误
如果您遇到连接问题，通常是由于 WebUI docker 容器无法访问容器内位于 127.0.0.1:11434
(host.docker.internal:11434) 的 Ollama 服务器。使用

--network=host

docker
命令中的标志来解决此问题。请注意，端口从 3000 更改为 8080，导致链接：http://localhost:8080。

Docker 命令示例：

docker run -d --network=host -v open-webui:/app/backend/data -e OLLAMA_BASE_URL=http://127.0.0.1:11434 --name open-webui --restart always ghcr.io/open-webui/open-webui:main

其他安装方法
我们提供各种安装替代方案，包括非 Docker 方法、Docker Compose、Kustomize 和 Helm。请访问我们的 Open WebUI
文档或加入我们的 Discord 社区以获得全面的指导。

安装文档地址：🏡 Home | Open WebUI

https://docs.openwebui.com/

上面只是让模型不足到本地下面来构建本地知识库，如果仅仅是构建本地知识库的话上面那些 GUI 可以 不安装 ，下面开始 **正题 **
：下载本地知识库软件：

第二步：AnythingLLM安装

**
**

下载地址：https://useanything.com/download

产品概述

AnythingLLM 是一个全栈应用程序，您可以使用商业现成的 LLM 或流行的开源 LLM 和 vectorDB 解决方案来构建私有
ChatGPT，无需任何妥协，您可以在本地运行，也可以远程托管并能够智能聊天以及您提供的任何文件。

AnythingLLM 将您的文档划分为名为 workspaces
的功能很像线程，但增加了文档的容器化。工作区可以共享文档，但它们不会相互通信，因此您可以保持每个工作区的上下文干净。

AnythingLLM 的一些很酷的功能

以下是 AnythingLLM 的一些酷炫功能：

1. 1. 支持多用户实例和权限
2. 1. 新的自定义可嵌入式聊天小部件，可以嵌入到你的网站
3. 1. 支持多种文件类型（PDF，TXT，DOCX等）
4. 1. 通过简单的用户界面管理你的向量数据库中管理文件
5. 1. 提供两种聊天模式：对话和查询。对话保留先前的问题和修订。查询是针对文档的简单QA
6. 1. 聊天过程中的引用
7. 1. 100%适合云部署。
8. 1. “自带LLM”模型
9. 1. 处理大文件时极有效的节约成本措施。你永远不必为将大型文件或记录输送到聊天机器人中支付费用，比其他的文件聊天机器人解决方案节省90%的费用。
10. 1. 提供全面的开发者API用于自定义集成！

同类开源项目大多基于Python语言开发。AnythingLLM采用了Javascript，前端用React，后端用Node，对于全栈工程师非常友好。

• • 前端： React和ViteJS，实现创建和管理大模型用到的知识库
• • 后端： Node.js Express框架，实现向量数据库的管理和所有与大模型的交互
• • 采集器： Node.js Express框架，实现对文档的处理解析

多用户模式

这一点对于企业级应用特别关键，AnythingLLM支持多用户模式，3种角色的权限管理。

系统会默认创建一个管理员（Admin）账号，拥有全部的管理权限。

第二种角色是Manager账号，可管理所有工作区和文档，但是不能管理大模型、嵌入模型和向量数据库。

普通用户账号，则只能基于已授权的工作区与大模型对话，不能对工作区和系统配置做任何更改。

打开ollama端口：

Ollama其实有两种模式：

1. 1. 聊天模式
2. 1. 服务器模式

这里使用服务器模式，Ollama在后端运行大模型，开发IP和端口给外部软件使用。

ollama serve

通过终端或者命令行，访问 http://localhost:11434 进行验证：

curl http://localhost:11434

如果看到以下输出，表示Ollama正在运行：

Ollama is running

下载 AnythingLLM 之后开始进入启动的 配置 阶段，开始之前请确保

ollama serve

运行，或者终端执行

ollama run xxx

（任何一个模型）。

否则，AnythingLLM和其他依赖于Ollama端口的软件（前面的几个GUI）会运行不了或者找不到模型，错误如下：

启动并配置AnythingLLM

搭建一个本地知识库，会涉及到三个关键：1. LLM Model，大语言模型。它负责处理和理解自然语言。2. Embedding Model，嵌入模型。它负责把高维度的数据转化为低维度的嵌入空间。这个数据处理过程在RAG中非常重要。3. Vector Store，向量数据库，专门用来高效处理大规模向量数据。

本地大模型选择

选择 Ollama，填入 Ollama 的

http://host.docker.internal:11434

端口，然后选择你下载的模型。当然你也可以使用 OpenAI，使用更强大的云端模型，提供基础模型支持。但这样的话，就不是完全本地化的私有部署了。

Embedding 配置

可以选择：https://ollama.com/library/nomic-embed-text 或者 AnythingLLM 自带的
AnythingLLMEmbedder。

向量数据库配置

AnythingLLM 默认使用内置的向量数据库 LanceDB。这是一款无服务器向量数据库，可嵌入到应用程序中，支持向量搜索、全文搜索和
SQL。我们也可以选择 Chroma、Milvus、Pinecone 等向量数据库。

我选择了 LanceDB。你想修改前面的推理模型或者嵌入模型，以及下列数据库，注册完成之后，可以在后台设置修改。

完成上述登录配置操作之后，让我们进入界面介绍（如下图）。

导入外部 Documents

AnythingLLM 可以支持 PDF、TXT、DOCX 等文档，可以提取文档中的文本信息，经过嵌入模型（Embedding
Models），保存在向量数据库中，并通过一个简单的 UI 界面管理这些文档。

为管理这些文档，AnythingLLM
引入工作区（workspace）的概念，作为文档的容器，可以在一个工作区内共享文档，但是工作区之间隔离。AnythingLLM
既可以上传文档，也可以抓取网页信息。

将文档保存嵌入工作区向量数据库

**
**

根据知识库中上传的文档，进行知识问答。

RAG 智能问答

Ok，经过我们前面所有的艰难准备，现在 ** 正式部署成功 ** ，让我们来体验一下：

相比文档中的原文，大模型给出的回答还不够准确（与选择的基础模型有关，我自己的笔记本电只能跑 gemma: 6b 的），
未来，这套系统还可在文本召回和重排等方面，进一步调优和完善。

点击空间的设置按钮并切换为Query状态后，模型 将仅在找到文档上下文时提供答案（回答会更加绑定于知识库）。

后面是一些API操作：

生成系统 API 私钥

**
**

设置 API 访问授权密码

**
**

系统提供的 API 列表

**
**

总结

常见错误：

1. 1. 本地运行大模型耗资源，需要选择较小的模型作为基础模型。在终端中运行时可能会出现 CUDA 错误，表示显存不足，导致提供的端口失效。
2. 
3. 1. 中文支持不够完善。
4. 1. 文中提到的技术软件工具有：Ollama、Chatbox、Open WebUI、向量数据库、嵌入模型、本地模型 Gemma、AnythingLLM

附加信息：

在本地快速运行大模型，可以使用 Ollama 和 Hugging Face。Hugging Face 提供了两种方式来访问大模型：

1. 1. Inference API （Serverless） ：通过 API 进行推理。import requests

API_URL = "https://api-inference.huggingface.co/models/meta-llama/Llama-2-7b-hf"  
headers = {"Authorization": "Bearer xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"}  
  
def query(payload):  
    response = requests.post(API_URL, headers=headers, json=payload)  
    return response.json()  
  
output = query({  
    "inputs": "Can you please let us know more details about your ",  
})

1. 1. 本地执行 ：使用 Hugging Face 的 pipeline 来进行高级操作。from transformers import pipeline

pipe = pipeline("text-generation", model="meta-llama/Llama-2-7b-hf")

使用 Hugging Face 对于不懂编程的人来说可能比较困难，因为需要申请 API Key 并且需要本地有 Python 或其他编程语言的环境。而使用
Ollama 来运行本地大模型则更加简单。

参考链接：

1. 1. https://chat.openai.com/c/fc6b9764-d29e-4be0-bfba-5b975892f983
2. 1. https://www.bilibili.com/video/BV13x421k7Yf/?spm_id_from=333.337.search-card.all.click&vd_source=40d9cda43378fbc89cd5184e09bf1272
3. 1. https://flyeric.top/archives/setup-langchain-ai-agent-practice
4. 1. https://github.com/Mintplex-Labs/anything-llm?tab=readme-ov-file
5. 1. https://mp.weixin.qq.com/s/iy0IjIL7t1c48KRauK_Mgg
6. 1. https://mp.weixin.qq.com/s/6HeHakbmxAq7ebBV3_YtZA
7. 1. https://mp.weixin.qq.com/s/_FOTeInSINT1-vPAksWjpw
8. 1. https://github.com/Mintplex-Labs/anything-llm
9. 1. https://search.bilibili.com/all?vt=30282397&keyword=AnythingLLM&from_source=webtop_search&spm_id_from=333.1007&search_source=5
10. 1. https://www.bilibili.com/video/BV1Bx421D7hb/?spm_id_from=333.337.search-card.all.click&vd_source=40d9cda43378fbc89cd5184e09bf1272
11. 1. https://www.bilibili.com/video/BV1Uf421o7wa/?vd_source=40d9cda43378fbc89cd5184e09bf1272
12. 1. https://discord.com/channels/1128867683291627614/1128867684130508875
13. 1. https://chat.openai.com/g/g-R54BIQ9W7-markdown-output

✨ AI算法工程师 | AIGC技术实践者 🚀🎵 知音难求，自我修炼亦艰。📚 吾生也有涯，而知也无涯。🌌 AIGC时代，立志成为超级个体：抓住前沿技术的机遇，与我们一起成为创新的超级个体。✉️ 回复“群聊”，就能和大家嗨聊！