本文详细介绍了如何使用LM Studio和Anything LLM工具来构建和部署本地知识库。文中首先表明了安装和配置大模型的步骤，随后展示了如何将模型部署为后台服务，并通过API举行调用。此外，文章还涉及了如何使用这些工具快速构建知识库应用，包括知识库的配置和问答系统的设置。整个过程强调了无需深厚编程知识即可实现快速部署和使用，恰当业务专家和产物计划职员使用。
业务背景
近来一直在探求一套最佳的基于大模型的知识库系统解决方案，必要具有如下能力：
- 能够快速将大型模型举行本地化的部署使用。
- 结合大语言模型，能有一套良好的知识库系统，方便使用。
- 针对业务专家和产物计划职员，纵然不懂代码，也能快速构建产物原型，了解基于大型模型知识体系的构建过程，并能选型大语言模型。
- 针对算法职员，“套壳”大模型或微调大模型，可通过一款工具完成本地化的快速部署和分发，而不必要本身单独写一个服务。
- 针对开发职员，可将算法开发好的模型快速构建成后台服务，且为OpenAI尺度的服务API，能让开发团队快速举行大型模型的接入测试和验证。
- 针对测试职员，可以在构建的大型模型和知识库问答应用中举行快速测试，并跟踪各个环节的效果，如embedding的召回效果是否覆盖所有知识点，可通过接口调用日志举行快速查看。
- 针对甲方的企业要快速验证知识库项目的可行性，可以使用这两个工具搭建本地的测试环境。这样可以对一些关键技术举行全流程化的跟踪调试，待验证没有问题再举行立项或系统的集成。
最终选择了LM studio + Anything LLM搭建本地知识库。
LM Studio安装部署及使用
安装
LM Studio是一款桌面软件，安装后，经过简单的配置即可使用。登录https://lmstudio.ai/ 即可看到如下界面，按本身的操纵系统举行下载即可。
安装完成之后，登录系统的主界面如下图所，可以看到其默认界面如下：
安装完成！！！
下载和管理大模型
在LMs studio的首页即提供了大模型列表及搜刮能力，可以从hugging Face上获取支持的大模型列表，并可以通过搜刮获取关注的大模型。如下图搜刮近来也比力火的Mistral：
- 点击“download”可以将想要的大模型下载到本地磁盘中。
查看下载进度条
2. 点击My models图标，即可查看本地下载的大模型列表，在这里我本身下载了4个大模型（LLama-3、LLama-3 chinese、gemma，刚刚下载的mistral）、一个embedding Model（据说是一个比力好的embedding算法），另有一个是本身通过LLama-3套壳的本地模型：
AI chat
下载了模型之后，就来验证一下这个模型能否正常使用，进入AI chat界面：
- 是选择模型，选择我们刚下载的mistral，左侧可以表现该模型在实行时的内存及cpu占用环境。
- 是针对该模型的聊天历史
- 是针对该模型举行对话时的参数配置，这里我们默认即可
- 是聊天的主交互界面。
以下是Mistral模型复兴的效果，问题都明白堕落了：
换成近来超火的LLama 3:8b之后效果照旧不错的：
将大模型部署为后台服务
点击“local server“，进入服务配置界面：
- 选择做为后台服务的大语言模型，在这里选择llama3
- embedding算法，这里选择了一个社区比力推荐的nomic-ai-nomic embed text算法
- 配置做为后台服务的端口，并启动server
- 针对python在差别的场景下的示例代码
- 服务器的logs界面，每一次api的调用日志在这里都可以看得到，方便举行问题排查，另有就是embedding算法返回效果是否召回的验证非常有帮助，方便算法和测试职员举行模型测试和调优使用。
用Anything LLM快速构建知识库应用
Anything LLM有两个版本，一是桌面安装版本，另一是通过Docker举行部署的版本。我选择安装桌面版，有兴趣的同砚可以研究一下Docker版本，它增加了用户权限管理功能，并可以举行企业级应用部署。它是开源的，可以在真正的生产环境中使用Anything LLM作为知识库的后台系统，并开放API供前端业务系统集成。
安装
登录网站https://useanything.com/download 并选择适用本身的版本：
下载到本地后直接像平凡软件一样安装即可，由于本地已经完成了安装，在此就不再举行安装了。
安装完成之后，有三个比力紧张的配置：
- 配置大模型：
- 推荐使用LM Studio，由于他照旧比力方便调试的。在这里输入LMStudio后台服务的URL,选择模型和token的巨细
2. 别的，也可以选择openai或AnythingLLM，如果选择AnythingLLM，如下图所示，列表了其支持的大语言模型，选择了对应的模型点击“save changes“时，在后台会下载对应的大模型到本地。因此，AnythingLLM也可以自行体系独立运行。
- 配置embedding模型（用于对语言档切分和向量数据库中知识内容的相似性判定并召回，该算法的好坏，直接影响大模型的推理效果），在这里也可以有多种选择，我选择使用LMStudio中的nomic-edmbed-text-v1.5，如下图所示：
- 向量数据库：在这里我选择了一个轻量级的LanceDB，如下图所示：
配置知识库
返回主界面之后，默认如下图所示，没有任何应用：必要我们创建一个新的workspace。
必要我们创建一个新的workspace，点击“new workspace”之后，创建一个新的worksapce：
针对新创建的itops工作区，必要为其增加知识库的内容，我手动创建了一份markdown格式的应急预案文档，文包括大抵内容如下：
在AnythingLLM界面点击上传按钮，可以将本地的文件或来自某一个网站的站点内容举行抓取，并当成知识库的内容。
点击上传本地的文件：
上传后由于要对文件举行切分操纵，在之前的配置中，我们配置了embedding算法使用的是LM Studio推荐的nomic-ai-nomic embed text算法，因此会直接调用LM Studio的后台服务对文档举行切分，如下图为后台日志：
至此知识库配置完成，下面将使用智能问答系统。
知识问答
现在我们来问“数据库异常锁表故障”，看下效果如何：
- 首先，当我输入这个问题之后，第一件要做的变乱就是调用LM Studio后台提供的API，这时会在Server Logs的控制台界面，看到调用过程，以及从知识库中召回的相关知识点：
- 当获取了这些召回的知识时，LM Studio的大语言模型（这里用的llama 3）就会实行推理的效果返回给Anything LLM，效果如下：
对比一下知识内容的原文，效果照旧非常不错的，原文如下：
至此，大型模型的知识库系统已经搭建完毕，并已完成从知识构建到知识问答效果展示的整个过程。
下一步，我们将对问答的效果举行评估，并优化问答系统的效果，以使其在生产上得以应用。
敬请等待！
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 |
