以下是三种落地知识库方案

一、基于在线平台

以Dify为例，了解如何基于平台搭建Agent+RAG的知识库

1、Dify

什么是Dify（Define & Modify）？Dify是一个开源的大语言模型（LLM）应用开发平台（https://dify.ai/zh），旨在简化和加速生成式AI应用的创建和部署。该平台结合了后端即服务（Backend as Service, BaaS）和LLMOps的理念，为开发者提供了一个用户友好的界面和一系列强大的工具，使他们能够快速搭建生产级的AI应用。它支持多种大型语言模型，如Claude3、OpenAI等，并与多个模型供应商合作，确保开发者能根据需求选择最适合的模型。Dify通过提供强大的数据集管理功能、可视化的Prompt编排以及应用运营工具，大大降低了AI应用开发的复杂度。

2、Dify特点

1）低代码/无代码开发：Dify通过可视化的方式允许开发者轻松定义Prompt、上下文和插件等，无需深入底层技术细节。

2）模块化设计：Dify采用模块化的设计，每个模块都有清晰的功能和接口，开发者可以根据需求选择性地使用这些模块来构建自己的AI应用。

3）丰富的功能组件：平台提供了包括AI工作流、RAG管道、Agent、模型管理等丰富功能组件，帮助开发者从原型到生产的全过程。

4）支持多种大语言模型：Dify已支持主流的模型，开发者能够根据自己的需求选择最适合的模型来构建AI应用。

3、应用场景

Dify提供四种基于LLM构建的应用程序，可以针对不同的应用场景和需求进行优化和定制。

Dify + RAG搭建知识库

如何将文档上传到Dify知识库构建RAG？将文档上传到Dify知识库的过程涉及多个步骤，从文件选择、预处理、索引模式选择到检索设置，旨在构建一个高效、智能的知识检索系统。

1) 创建知识库：Dify主导航栏中的“知识”，在此页面可以看到已有的知识库。

    创建新知识库：拖放或选择要上传的文件，支持批量上传，但数量受订阅计划限制。

    空知识库选项：如果尚未准备文档，可选择创建空知识库。

    外部数据源：使用外部数据源（如Notion或网站同步）时，知识库类型将固定，建议为每个数据源创建单独知识库。

2) 文本预处理与清理：内容上传到知识库之后，需要进行分块和数据清洗，这个阶段可以理解为内容的预处理和结构化。

  自动模式：Dify自动分割和清理内容，简化文档准备流程。

  自定义模式：对于需要更精细控制的情况，可选择自定义模式进行手动调整。

3) 索引模式：根据应用场景选择合适的索引模式，如高质量模式、经济模式或问答模式。

高质量模式：利用Embedding模型将文本转换为数值向量，支持向量检索、全文检索和混合检索。

经济模式：采用离线向量引擎和关键字索引，虽然准确率有所降低，但省去了额外的 token 消耗和相关成本。

问答模式：系统会进行文本分词，并通过摘要的方式，为每段生成QA问答对。

4) 检索设置

   (1)在高质量索引模式下，Dify 提供三种检索设置：向量搜索、全文搜索、混合搜索

   向量搜索：将查询向量化，计算与知识库中文本向量的距离，识别最接近的文本块。

  全文搜索：基于关键字匹配进行搜索。

   混合搜索：结合向量搜索和全文搜索的优势。

(2)在经济索引模式下，Dify 提供单一检索设置：倒排索引和TopK

倒排索引：一种为快速检索文档中的关键字而设计的索引结构。

    TopK和分数阈值：设置检索结果的数量和相似度阈值。

Dify + Agent

如何在Dify平台搭建Agent？在Dify平台上，通过选择模型、编写提示、添加工具与知识库、配置推理模式及对话开启器，最后进行调试预览并发布为Webapp，实现Agent的创建与部署。

1) 探索与集成应用模板

   Dify平台提供了丰富的“探索”（Explore）部分，其中包含多个代理助理的应用模板。用户可以直接将这些模板集成到自己的工作区中，快速开始使用。同时还允许用户创建自定义代理助理，以满足特定的个人或组织需求。

2) 选择推理模型

 代理助理的任务完成能力很大程度上取决于所选LLM模型的推理能力。建议使用如GPT-4等更强大的模型系列，以获得更稳定、更精确的任务完成结果。

3)编写提示与设置流程

  在“说明”（Instructions）部分，用户可以详细编写代理助理的任务目标、工作流程、所需资源和限制条件等提示信息。这些信息将帮助代理助理更好地理解并执行任务。

4) 添加工具与知识库

工具集成：在“工具”（Tools）部分，用户可以添加各种内置或自定义工具，以增强代理助理的功能。这些工具可以包括互联网搜索、科学计算、图像创建等，帮助代理助理与现实世界进行更丰富的交互。

知识库：在“上下文”（Context）部分，用户可以整合知识库工具，为代理助理提供外部背景知识和信息检索能力。 

5) 推理模式设置

Dify支持两种推理模式：Function Calling和ReAct

Function Calling：对于支持该模式的模型（如GPT-3.5、GPT-4），建议使用此模式以获得更好更稳定的性能。

ReAct：对于不支持Function Calling的模型系列，Dify提供了ReAct推理框架作为替代方案，以实现类似的功能。

6)配置对话开启器

用户可以为代理助理设置对话开场白和初始问题，以便在用户首次与代理助理交互时，展示其可以执行的任务类型和可以提出的问题示例。

7) 调试与预览

在将代理助理发布为应用程序之前，用户可以在Dify平台上进行调试和预览，以评估其完成任务的有效性和准确性。

8) 应用程序发布

一旦代理助理配置完成并经过调试，用户就可以将其发布为Web应用程序（Webapp），供更多人使用。这将使得代理助理的功能和服务能够跨平台、跨设备地提供给更广泛的用户群体。

二、基于开源项目

Langchain-Chatchat本地知识库（开源模型）搭建

LangChain-Chatchat 基于 ChatGLM 等大语言模型与 LangChain 等应用框架实现，开源、可离线部署的 RAG 与 Agent 应用项目，目标期望建立一套对中文场景与开源模型支持友好、可离线运行的知识库问答解决方案。

1、Langchain-Chatchat 介绍

此项目支持市面上主流的开源 LLM、 Embedding 模型与向量数据库，可实现全部使用开源模型离线私有部署。同时也支持 OpenAI GPT API 的调用，并将在后续持续扩充对各类模型及模型 API 的接入。

1）实现原理

1. 加载文件 → 2. 读取文本 → 3. 文本分割 → 4. 文本向量化 → 5. 问句向量化 → 6. 在文本向量中匹配最相似的 Top K 个 → 7. 将匹配的文本作为上下文，结合问题构造 Prompt → 8. 提交至 LLM 生成回答，如下图所示

从文档处理角度来看，实现流程如下：

2）功能介绍 

3)模型框架支持

本项目中已经支持市面上主流的如 GLM-4-Chat 与 Qwen2-Instruct 等新近开源大语言模型和 Embedding 模型，这些模型需要用户自行启动模型部署框架后，通过修改配置信息接入项目，本项目已支持的本地模型部署框架如下：

除上述本地模型加载框架外，项目中也为可接入在线 API 的 One API 框架接入提供了支持，支持包括 OpenAI ChatGPT、Azure OpenAI API、Anthropic Claude、智谱清言、百川 等常用在线 API 的接入使用。

2、构建本地知识库的步骤

1). 环境配置

在构建本地知识库之前，需要确保满足一定的硬件与软件要求。硬件方面，推荐使用NVIDIA显卡配置，具体取决于模型大小。软件方面，需要确保Python环境和必要的依赖库安装，如langchain、faiss、chroma等。

2). 模型下载与初始化

使用Git LFS安装工具来下载模型文件，并确保模型文件夹名称与配置文件中的模型名称一致。接着，通过示例脚本初始化知识库和配置文件，包括设置大模型存放路径、嵌入模型等。

3). 数据处理与向量化

构建知识库的关键步骤之一是数据处理与向量化。这包括读取文本数据、将文本分割成可管理和理解的部分、使用嵌入模型将文本转换为向量等。Langchain-Chatchat提供了完善的工具链来支持这些步骤，如DirectoryLoader用于加载文件夹中的文件，CharacterTextSplitter用于切割文档，以及OpenAIEmbeddings用于计算嵌入向量。

4). 匹配查询与生成答案

在向量库中查找与问题最相似的部分，并集成上下文和问题以生成答案，是使用Langchain-Chatchat构建知识库问答机器人的另一个关键步骤。这通常涉及使用语言模型（LLM）进行理解和生成。Langchain-Chatchat支持多种开源模型和向量数据库，如ChatGLM、LLaMA、Qwen、Yi等模型，以及FAISS、Chroma、Milvus等向量数据库，满足不同需求与场景。

5). 部署与访问

完成上述步骤后，可以通过一键启动服务来访问Web UI或API服务。Langchain-Chatchat提供了详细的启动指南和访问链接，使得开发者能够轻松地在本地或网络受限环境中部署问答机器人。

三、从0开始搭建

1、本地部署 RAG 知识库的核心优势

数据隐私保护：所有数据在本地处理，避免敏感信息外泄，尤其适合教育、医疗等隐私敏感领域812。

成本控制：长期使用成本显著低于依赖云服务 API，老旧设备（如 16GB 内存 + 8GB 显存）也能运行12。

定制化能力：支持私有知识库嵌入（如企业文档、个人笔记），提升模型回答的精准性812。

离线可用性：无需网络连接，解决服务器拥堵问题，响应速度更快

2、开源模型（可本地部署）

1).Meta 的 LLaMA 系列（美国）

LLaMA/LLaMA 2：参数规模 7B-70B，开源推动社区衍生模型（如 Alpaca、Vicuna）。

应用场景：学术研究、定制化开发。

2).Mistral AI 系列（法国）

Mistral 7B/8x7B：高效小参数模型，性能媲美更大规模模型。

Mixtral 8x22B：混合专家（MoE）架构，支持多语言。

3).中国开源模型

智谱AI的 ChatGLM-6B/GLM-4：中英双语优化，支持低成本部署。

零一万物 Yi 系列：Yi-34B 在多项基准测试中表现优异。

深度求索的 DeepSeek：数学与代码能力突出。

3 从零到一使用Ollama搭建本地大模型与知识库

Ollama是一款简单易用的开源工具，能够让你在本地轻松运行各种大模型。它支持多种操作系统，包括Windows、Mac和Linux，甚至可以在树莓派这样的低功耗设备上运行。Ollama的安装和使用都非常简单，特别适合初学者和想要快速搭建本地大模型的开发者。

1）、安装Ollama

下载与安装

访问Ollama的官方网站：https://ollama.com/

点击下载按钮，选择适合你操作系统的版本进行下载。

安装包下载完成后，双击运行安装程序，按照提示完成安装。

验证安装

安装完成后，打开命令行工具（在Windows中是CMD或PowerShell，Mac中是Terminal）。

输入ollama -v，如果显示版本号，则表示安装成功。

2）、配置Ollama

为了避免大模型占用过多C盘空间，你可以修改Ollama的模型保存路径。

修改环境变量

右键点击“此电脑”（Windows）或“系统偏好设置”（Mac），选择“属性”或“高级系统设置”。

进入“环境变量”设置，新建一个名为OLLAMA_MODELS的变量，并指向你希望存放模型的目录。

3）、下载并运行大模型

选择并下载大模型

Ollama支持多种大模型，你可以在Ollama的官方模型库中选择合适的模型进行下载。

例如，要下载经过中文微调的Llama3-8b大模型，你可以在命令行中输入：

运行大模型

下载完成后，模型会自动启动一个对话界面。你可以开始与它进行交互了。

4）、安装并使用AnythingLLM

AnythingLLM是一个功能强大的大模型开发工具，可以帮助你更好地管理和使用本地大模型。

下载与安装

访问AnythingLLM的官方网站：https://useanything.com/

下载并安装适合你操作系统的版本。

配置并连接Ollama

打开AnythingLLM，在配置界面中输入Ollama服务器的地址（默认是http://127.0.0.1:11434）。

选择你想要使用的Ollama模型。

5）、创建本地知识库

上传并导入文档

在AnythingLLM中，创建一个新的工作空间，并上传你的私有知识文档。

将上传的文件导入到工作空间中，并等待文件向量化入库。

设置知识库模式

根据你的需求，选择合适的知识库模式。

6）、应用与扩展

现在，你已经成功搭建了一个本地的大模型与知识库，可以随时随地与它进行交互了。

你还可以根据需要，继续下载和运行其他大模型，或者扩展你的知识库。