一 简介

初期接触LLM即大语言模型，觉得虽然很强大，但是有时候AI会一本正经的胡说八道，这种大模型的幻觉对于日常使用来说具有很大的误导性，特别是如果我们要用在生成环境下，由于缺少精确性而无法使用。 为什么会造成这种结果那，简单来说就是模型是为了通用性设计的，缺少相关知识，所以导致回复的结果存在胡说八道的情况，根据香农理论，减少信息熵，就需要引入更多信息。

从这个角度来说，就有两个途径，一是重新利用相关专业知识再次训练加强模型，或进行模型微调； 模型训练的成本是巨大的，微调也需要重新标记数据和大量的计算资源，对于个人来说基本不太现实； 二是在问LLM问题的时候，增加些知识背景，让模型可以根据这些知识背景来回复问题；后者即是知识库的构建原理了。

有个专门的概念叫RAG（Retrieval-Augmented Generation），即检索增强生成，是一种结合检索技术和生成模型的技术框架，旨在提升模型生成内容的准确性和相关性。其核心思想是：在生成答案前，先从外部知识库中检索相关信息，再将检索结果与用户输入结合，指导生成模型输出更可靠的回答。

二 RAG原理

简单概述，利用已有的文档、内部知识生成向量知识库，在提问的时候结合库的内容一起给大模型，让其回答的更准确，它结合了信息检索和大模型技术；

分步骤来说，首先是检索阶段，当用户输入一个问题时，系统会从外部数据库或文档中检索相关的信息或文档片段。然后，在生成阶段，这些检索到的信息会和原始问题一起输入到生成模型中，生成最终的答案。这样，模型不仅依赖于内部知识，还能利用外部实时或特定的数据。

我们日常简单通过chat交互方式使用大模型如下图：我们搭建了RAG后，整体架构如下图：

说明：

1. 建立索引： 需要将日常的业务知识，以文件形式给分成较短的块（chunk），然后进行编码，向量化存入到向量化的库中；nomic-embed-text-v1模型就是做这个事情的。

2. 检索向量库： 根据用户的提问，到向量库中去进行向量匹配，检索出相似的chunk，作为提问的上下文；

3. 生成回复： 将用户的提问内容和检索的块结合发送给大模型，大模型结合两者进行问题的回复；

这样做有什么好处那?

1. 由于日常的业务知识是保存到本地的，所以减少信息泄露的风险；

2. 由于提问结合了业务知识，所以减少了模型的幻觉，即减少了模型的胡说八道；

3. 模型的回复结合了业务知识和实时知识，所以实时性可以更好；

4. 不用重新训练模型，微调模型降低了成本；

三 实践

需要安装以下工具：

1. Ollama： 用于下载和管理模型，前面文章介绍过；

2. DeepSeek-R1 : 我们本次要使用的LLM模型，前面文章也介绍过；

3. Nomic-Embed-Text向量模型： 用于将文本库进行切分，编码，转换进入向量库；

4. AnythingLLM： 开源AI私有化应用构建平台，即将多个模型搭配起来，共同构建一个私有化应用；利用强大的内置工具和功能快速运行本地 LLM，无需复杂的设置。 Ollama和DeepSeek-R1模型前面已经安装过了，就不再赘述，下面安装另外两个工具；

3.1 Nomic-Embed-Text 模型安装

简单介绍下，Nomic-Embed-Text模型是一个强大的嵌入式文本处理工具，将我们的业务知识（专业点的叫法语料库）转成高纬度的向量空间中的点，以便后续进行相似度计算、分类、聚类、检索等。 听起来这个好像很高级，如果简单来看的话，其实底层原理也简单，文本相似度可以通过两个高纬度向量的余弦值大小来判断的，余弦值越大的，两个高纬度向量靠的越近，相关性大，反之亦然，当然也有复杂的算法。

余弦值计算

通过pull命令直接安装，大小为274MB，还是比较小的：

ollama pull nomic-embed-text   

然后通过ollama list查询：

mac@MacdeMacBook-Pro models % ollama list
NAME                       ID              SIZE      MODIFIED
nomic-embed-text:latest    0a109f422b47    274 MB    17 minutes ago
deepseek-r1:1.5b           a42b25d8c10a    1.1 GB    4 days ago

网上找一个使用的例子，大家可以直观的体会下:

from transformers import AutoTokenizer, AutoModel
import torch
 
# 加载模型和分词器
tokenizer = AutoTokenizer.from_pretrained("nomic-embed-text-v1")
model = AutoModel.from_pretrained("nomic-embed-text-v1")
 
# 输入文本
text1 = "今天天气好！"
text2 = "今天的天气真是好啊！"
 
# 将文本转换为模型输入格式
encoding = tokenizer(text1, text2, return_tensors="pt")
 
# 获取文本嵌入
with torch.no_grad():
    outputs = model(**encoding)
 
# 计算文本嵌入的余弦相似度
cosine_similarity = torch.nn.functional.cosine_similarity(outputs.last_hidden_state[0], outputs.last_hidden_state[1])
print("文本相似度：", cosine_similarity.item())

3.2 AnythingLLM安装

如它官网图https://anythingllm.com/desktop所示，是一个强大的灵活的平台，通过它可以连接多个LLM模型，构建本地私有的LLM应用，配置界面简单直观。

非常可惜，我macos的版本低，运行Anything LLM报错，找了不少办法还是不行，所以在虚拟机：windows下安装下，运行界面：

如上图可以看到，这个架构默认需要一个chat模型，需要embedder模型和一个向量数据库：LanceDB，用来保存私有化的数据；

按右边的向右箭头，新建个工作区：

接着进行模型配置：

选择LLM模型提供商，配置下url，如下图：点击右上角的 Save changes。

向量数据库无需配置，默认：

embedder模型，可以用默认的，或通过ollama供应商提供的，我先用ollama试试效果：

别忘记点击修改。 这里面有个坑，虽然11434端口开了，但是默认只能用127.0.0.1访问，如果绑定所有ip，则在mac下需要配置：

`mac@MacdeMacBook-Pro Homebrew % sudo sh -c 'echo "export OLLAMA_HOST=0.0.0.0:11434">>/etc/profile'launchctl setenv OLLAMA_HOST "0.0.0.0:11434"` 

返回刚才新建的工作区，点击后进入聊天界面就可以上传语料进行交互问答了。至此个人知识库终于创建完毕了。

个人知识库的问答

四 总结

我们通过搭建本地模型，配合Embedder和向量数据库，可以直接构建一个隐私性更好，实时性更高的个人知识库DAG。工作中除了需要知识库，更需要BPA，即业务自动化，利用LLM模型来提高自动化水平，这种系统更实用，下一步的目标是逐步构建BPA系统，希望大家能持续关注。

如何学习AI大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高

那么针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）]()👈

学习路线

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓