基于AnythingLLM+deepseek实现智能客服+企业知识库

已于 2025-02-19 13:30:56 修改
阅读量886 收藏 6
点赞数 6
分类专栏： AI-实践 文章标签： AI
于 2025-02-11 09:54:18 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/A_art_xiang/article/details/145563998
版权

文章目录

一、写在前面

github：https://github.com/Mintplex-Labs/anything-llm

二、deepseek生成key

官网：https://platform.deepseek.com/api_keys
在这里插入图片描述
创建key之后，记得保存起来

二、安装AnythingLLM

1、下载地址：https://anythingllm.com/desktop
直接安装即可，过程可能有点长。

2、创建工作区
在这里插入图片描述

3、可以选择LLM，这里用deepseek
在这里插入图片描述
输入APkey（需要收费。。。）

在这里插入图片描述
我们可以选择本地模型，会自动下载。

三、使用

1、上传一个文件
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
需要花费一定的时间Embed，这考验计算机的计算资源。

这是这个excel的内容：
在这里插入图片描述

2、测试一下：
这里用的本地1.5B的大模型，可能有点智障。
在这里插入图片描述

四、API对接

1、生成秘钥

可以对接API
在这里插入图片描述

2、对话接口

如果用chat，响应很慢，最好用stream，需要进行对接
http://localhost:3001/api/v1/workspace/cxfworkspace/chat
注意Authorizationheader头需要设置，可以先测试一下
在这里插入图片描述

基于Ollama+AnythingLLM+Deepseek 1.5b构建企业级知识库
RodJohnsonDoctor的专栏
02-23 927
通过本文的实践，您可以在CentOS环境下快速搭建一个企业级的知识问答系统。结合Ollama、Deepseek 1.5b和AnythingLLM，不仅能够实现高效的中文知识管理，还能保障数据的私有化和安全性。希望本文对您的项目有所帮助！
DeepSeek+AnythingLLM打造自己大模型知识库
iNeuOS工业互联网
02-06 1766
有些用户或是专家在项目建设中提出来要提炼工艺库、模型库、算法库等知识库，可以试着让deepseek成为每个角色的助手，例如工艺的、信息化的、设备的、电气的等角色，让deepseek成为自己，再不断的迭代它。deepseek扮演AI助手的角色，应用越来越发挥出来应有的价值。
AnyThingLLM本地私有知识库搭建
哈士奇是我的信仰~呜哇
01-31 5614
AI大模型+私有化本地知识库 搭建
DeepSeek+AnythingLLM 搭建专属知识库，小白也能轻松拿捏！
最新发布
Gblfy_Blog
02-15 3780
DeepSeek+AnythingLLM 搭建专属知识库，小白也能轻松拿捏！
企业级AI客服搭建指南：融合本地DeepSeek与MaxKb实现基于私有知识库的精准问答
weixin_66150842的博客
02-06 6195
本文为企业提供了一份详细的AI客服搭建指南，介绍了如何融合本地部署的DeepSeek大语言模型与MaxKB知识库问答系统，实现基于私有知识库的精准问答服务。通过本地部署，企业能够确保数据的安全性和隐私性，同时利用DeepSeek的强大语言处理能力和MaxKB的高效知识管理功能，提升客服效率和用户体验。文章详细阐述了系统架构设计、模型训练与优化、知识库构建与维护、以及系统集成与部署等关键步骤，帮助企业快速搭建高效、智能的企业级AI客服系统。
AnythingLLM+DeepSeek R1本地知识库也能做数据分析了！！！
m0_63171455的博客
02-05 7779
今天，又学习并搭建了。本着试一试的态度，竟然再次被AI的能力到了……先上结果，后附过程。
一文学会：用DeepSeek R1/V3 + AnythingLLM + Ollama 打造本地化部署的个人/企业知识库，无须担心数据上传云端的泄露问题
吴所畏惧
02-10 2019
一文学会：用DeepSeek R1/V3 + AnythingLLM + Ollama 打造本地化部署的个人/企业知识库，无须担心数据上传云端的泄露问题
基于AnythingLLM 与 本地DeepSeek大模型，零门槛构建企业级本地 AI 知识库
m0_59235699的博客
02-12 1920
在数据隐私日益重要的今天，企业及开发者对本地化AI解决方案的需求激增。本文将手把手教你如何通过开源工具AnythingLLM与Ollama，无需云端依赖、完全免费地搭建基于DeepSeek大模型的本地知识库系统，实现数据100%自主掌控的智能化升级。
通过 Ollama + DeepSeek + AnythingLLM 实现本地部署与自定义知识库
AbnerRain的博客
02-09 3349
本文介绍了如何通过 Ollama、DeepSeek 和 AnythingLLM 实现 AI 模型的本地部署及自定义知识库的构建。首先，通过 Ollama 下载并安装 DeepSeek 模型，完成本地部署。接着，安装 AnythingLLM，创建工作区并配置相关设置，上传自定义知识库并绑定，以优化模型对特定内容的理解。该方法增强了数据隐私性，适用于企业知识管理、客户服务、教育和医疗等领域，为用户提供了灵活的 AI 解决方案。
五分钟打造你的专属AI助手：Ollama + DeepSeek + AnythingLLM 完整整合指南
yuanmomoya的博客
02-08 1369
预备阶段：确认系统环境符合要求，安装 Ollama、DeepSeek 模型以及 AnythingLLM 客户端。数据导入：整理待收录的文本资料，借助 AnythingLLM 构建知识图谱。模型连接：利用 Ollama 启动 DeepSeek 模型，并将其与 AnythingLLM 对接，实现语言处理与知识管理的无缝衔接。测试优化：通过多轮问答测试，对系统参数和知识库内容进行微调，不断提升问答准确率和响应速度。
《AI打工摸鱼笔记》LLM+本地知识库自动填写售前技术调研表
m0_59235945的博客
08-15 2034
LLM 大模型如今已经走进了寻常打工人的电脑上，我猜大家用的最多的功能还是在线聊天的文本生成吧。其实我们可以尽可能让AI帮我们快速完成工作，而不仅仅是把应用限制在问答上。谷歌 Gemini AI 聊天程序大家可以把日常的工作内容或者场景留言给我， 我们一起讨论下如何让 AI 帮我们打工的可能性。
用AnythingLLM和Deepseek搭建个人知识库
沧海之巅的专栏
02-05 1506
用Rag技术搭建一个本地的个人助手，使用的是AnythingLLM+DeepSeek的组合。体验下来，这个只能作为或体验之类的，很难真正实现一个工程性需求。
AnythingLLM+Ollama，能否打造你的专属个性化AI助手？
xx_nm98的博客
10-24 6065
AnythingLLM是一个AI聊天系统，它允许用户构建自己的私人ChatGPT。与依赖云服务的AI工具不同，AnythingLLM支持本地开源和商用闭源的大语言模型（LLM），用户可以根据自己的需求和预算选择合适的模型。
搭建自己的专属AI——使用Ollama+AnythingLLM+Python实现DeepSeek本地部署
热门推荐
BetrayArmy的博客
01-31 1万+
最近DeepSeek模型非常火，其通过对大模型的蒸馏得到的小模型可以较轻松地在个人电脑上运行，这也使得我们有机会在本地构建一个专属于自己的AI，进而把AI“调教”为我们希望的样子。本篇文章中我将介绍如何使用Ollama+AnythingLLM+Python实现DeepSeek的本地部署，并训练一个自己的专属AI。
DeepSeek+Anythingllm | 为什么本地知识库让大模型更好用
youmaob的博客
02-11 1547
前面我们介绍了通过Chatbox调用大模型，通过提供角色设定让每个模型各司其职。然而大模型容易产生幻觉，导致答非所问，甚至完全背离用户的真实需求。简单来说，是因为我们平时使用的GPT、千问、Deepseek是通用大模型，在一些详细的场景缺少相关的知识。这次通过AnythingLLM，我们可以通过上传文件构建本地知识库，通过RAG增强获取知识的能力，缓解幻觉问题。大模型的幻觉问题指其生成内容看似合理却包含错误、虚构或矛盾信息的现象，严重影响可靠性和应用落地。
AnythingLLM的API使用方法，手把手教你把本地RAG 部署到自己的网页上
柯桔的博客
09-14 1万+
上面的mode表示 你需要的功能，query表示只使用查询上下文功能（需要有自己上传的文档），chat表示使用聊天功能，写的时候只保留一个，要么是query，要么是chat。返回的json文本 显示它不知道anythingLLM（因为我给的上下文里面没有说AnythingLLM的内容，所以他不知道）slug后面填写你工作区的名字，注意这里只能纯小写字母（尽管实际是大写，也不行）AnythingLLM的安装可以参考其他的博客，之后 写前端调用接口进行问答就可以了！OK 这样就可以用了！
DeepSeekv3 Build Anything
weixin_43008312的博客
01-05 759
DeepSeekv3参数量6710以个，但在活跃是每个token的参数仅仅为370亿个，在14.8万亿个token的训练集上训练（100万个token约为75万词），预训练阶段仅需266.8万H800个GPU小时，后续训练阶段也仅需10万GPU小时。【约2个月完成训练，550万美元】传统的Transformer模型（BERT、GPT等）在处理长序列、多模态数据或推理复杂任务时计算效率低，上下文捕捉不足【因为它们在当输入的Prompt非常长时会在中途随机遗忘一些内容】
初尝DeepSeek，做个AI客服吧
cll18982138360的博客
01-24 9228
未来科技弄潮儿——大模型AI技术。不仅是当前科技发展最前沿，其涵盖机器学习、深度学习、自然语言处理、计算机视觉等等，也是解决人们问题的好帮手。在我看来，当前AI大模型很像人类智慧的集合体，仿佛它是拥有大肚子的饕餮，不断把全世界的书籍、博物馆、知识吞入腹中，贯穿古今，编织未来。
DeepSeek API调用_桌面版Anything LLM本地知识库搭建
热土程序园，利他愉己~
02-13 1489
实现功能： 通过本地部署Anything LLM来建立本地知识库，同时配置为调用网络版本的DeepSeek，这样可以把网络版本DeepSeek模型的模型能力和本地知识库功能集成到一起使用； 方案优点：这种方式的有点是对电脑硬件要求低，普通电脑即可，比较适合个人用户建立本地知识库的应用。
AnythingLLM+DEEPSEEK如何构建个人的知识库？
01-29
### 使用 AnythingLLM 和 DeepSeek 构建个人知识库 构建个人知识库涉及多个组件和技术栈的选择。为了实现这一目标，可以采用基于 AnythingLLM 的大语言模型以及 DeepSeek 提供的相关服务来创建高效的知识管理系统。 #### 1. 准备工作环境 确保安装了必要的依赖项并配置好开发环境。这通常包括 Python 环境设置、虚拟环境激活等基础操作[^2]。 #### 2. 集成 AnythingLLM 模型 AnythingLLM 是一种强大的大型预训练语言模型，能够理解自然语言查询并将这些查询映射到结构化的数据源上。通过集成此模型，可以使知识库具备更高级别的语义理解和推理能力[^1]。 ```python from anythingllm import AnyThingModel model = AnyThingModel() response = model.generate(text="什么是量子计算?") print(response) ``` 这段代码展示了如何初始化一个 `AnyThingModel` 实例，并利用其 `generate()` 方法处理简单的文本输入请求。 #### 3. 应用 DeepSeek API 进行检索增强 DeepSeek 提供了一套 RESTful APIs 来支持复杂的文档索引和搜索功能。借助于该平台的服务端接口，开发者可以在客户端轻松实现全文本搜索引擎的功能特性[^3]。 ```python import requests api_key = "your_api_key_here" url = f"https://deepseek.example.com/search?query=人工智能&apikey={api_key}" headers = {"Content-Type": "application/json"} response = requests.get(url, headers=headers).json() for doc in response['documents']: print(f"{doc['title']}: {doc['snippet']}") ``` 上述脚本说明了怎样向 DeepSeek 发送 HTTP GET 请求以获取与特定主题相关的资料片段列表。 #### 4. 创建用户交互界面 (UI) 最后一步是设计直观易用的应用程序前端部分。这里推荐使用 Streamlit 工具包简化 Web UI 开发流程；它允许程序员专注于业务逻辑而不必担心底层细节问题。 ```python import streamlit as st st.title('我的私人知识库') search_query = st.text_input('请输入要查找的内容:') if search_query: results = perform_search(search_query) # 假设这是执行实际搜索函数 display_results(results) # 显示返回的结果集给用户查看 ``` 综上所述，结合 AnythingLLM 和 DeepSeek 技术方案可以帮助建立一个强大而灵活的个性化学习资源中心。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

秃了也弱了。

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值