第三十三篇-Ollama+AnythingLLM基本集成

最新推荐文章于 2024-07-06 00:06:29 发布
最新推荐文章于 2024-07-06 00:06:29 发布
阅读量315 收藏 1
点赞数 3
分类专栏： AI-LLM-实战 文章标签： 人工智能 chatgpt 开源
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/hai4321/article/details/139844953
版权

AnythingLLM

AnythingLLM专属私有知识库,可以使用本地OllamaLLM模型，可以上传文件，基于文件回答问题

启动ollama

参考
第二十五篇-Ollama-离线安装
第二十四篇-Ollama-在线安装

下载安装AnythingLLM

https://useanything.com/download

AnythingLLMDesktop.exe
点击安装，稍微等待一下

配置Workspace-LLM

第一次启动会需要创建一个Workspace，输入一个名称

在这里插入图片描述
点击设置按钮
在这里插入图片描述
弹出配置界面
在这里插入图片描述
选择LLM Preference配置LLM
在这里插入图片描述
可以选择你有的LLM资源，我选择本地Ollama
在这里插入图片描述
配置好LLM点击左下角回退Workspace界面

选中一个Workspace，可以问答了
在这里插入图片描述

配置Workspace-上传文件

在这里插入图片描述
点击上传按钮
在这里插入图片描述
点击选择文件，选择一个你要上传的文件，点击move to workspace
在这里插入图片描述
点击 Save And Embed

稍微等待一下，就可以基于这个文档回答问题了

木卫二号Coding
关注
  • 3
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Ollama+WebUI+AnythingLLM构建个人/企业知识库
04-03
对于企业来说，需要考虑信息安全，企业私有的知识库显然不能利用公域的大模型。那么搭建一套基于本地大模型的个人/企业知识库。Ollama可以帮助你在本地搭建知识库，替代chatgpt
Spring AI + ollama + qwen 示例项目-流式、非流式输出
04-09
Spring AI + ollama + qwen 示例项目-流式、非流式输出 Spring AI与Ollama和Qwen的结合，是一个创新的示例项目，旨在展示如何在Spring框架中实现流式和非流式输出的集成。这个项目通过整合Ollama的数据处理能力和Qwen的响应生成机制，为用户提供了一个高效、灵活的解决方案，以满足不同场景下的数据交互需求。 在流式输出方面，项目利用了Spring框架的响应式编程特性，允许数据以连续的流形式进行处理和传输。这种方式特别适合处理大量数据或实时数据流，因为它可以有效地管理内存使用，同时保持应用的响应性。通过这种方式，用户可以实时接收和处理数据，而不会因为数据量大而导致系统崩溃或响应缓慢。 对于非流式输出，项目则采用了传统的请求-响应模型。在这种模式下，客户端发送一个请求，服务器处理请求后返回一个完整的响应。这种模式适用于不需要实时交互的场景，可以确保数据的完整性和一致性。 通过这个示例项目，开发者可以学习到如何在Spring框架中根据实际需求选择和实现流式或非流式输出。这不仅增强了对Spring框架的理解，也为构建高效、可靠的数据交互应用提供了
基于Ollama+AnythingLLM搭建本地私有知识库系统
sheex2012的博客
04-30 8897
本文介绍了LLM在落地应用中的不足，并引入了RAG框架和原理，以及RAG在私有知识库建设中的重要作用。并以Ollama和AnythingLLM为实现手段，构建了并测试了本地知识库，测试结果表明，有了RAG的加持，LLM的回答结果更加贴切，有效。
开源利器AnythingLLM：你的私人ChatGPT构建利器，支持主流多种大模型
猫头虎：授渔优于赠鱼，兴趣引领智慧，探索之乐尤显珍贵。商务合作：Libin9iOak，共赴知识与乐趣的探索之旅！
06-03 1万+
是由Mintplex Labs Inc.开发的一款开源工具，专为构建私人化的ChatGPT而设计。你可以利用现有的商业化大型语言模型（LLM）或者流行的开源LLM来创建一个功能强大的私人聊天机器人。更棒的是，它支持本地运行，也可以远程托管，灵活适应你的各种需求。
用AnythingLLM构建专属知识库
热门推荐
wbsu2004的博客
03-11 1万+
AnythingLLM 是可以与任何内容聊天的私人 ChatGPT，是高效、可定制、开源的企业级文档聊天机器人解决方案。
RAG实战：Ollama+MaxKB本地知识库部署
2401_85390073的博客
07-04 803
相对来说，容易安装且功能较完善，30 分钟内即可上线基于本地大模型的知识库问答系统，并嵌入到第三方业务系统中。缺点是如果你的电脑配置不高，问题回答响应时间较长。
LLMs之Llama3：Llama-3的简介、安装和使用方法、案例应用之详细攻略
2401_85280106的博客
06-04 1052
LLMs之LLaMA：LLaMA的简介、安装和使用方法、案例应用之详细攻略_chinese_calendar每年手动更新-CSDN博客LLMs之LLaMA-2：LLaMA-2的简介(技术细节)、安装、使用方法(开源-免费用于研究和商业用途)之详细攻略_llama2-CSDN博客LLMs之Llama 3：Llama 3的简介、安装和使用方法、案例应用之详细攻略-CSDN博客。
ollama-linux-amd64-v0.1.30.cab
04-11
ollama-linux-amd64-v0.1.30.cab
bge-large-zh.zip
03-18
本篇文章将深入探讨如何利用大型预训练语言模型，如“bge-large-zh”和“chatglm3-6b”，构建一个高效且知识丰富的智能问答系统。这两个模型是针对中文环境特别优化的，能够提供强大的自然语言理解和生成能力，使得...
使用Python实现深度学习模型：序列建模与生成模型的博客教程
Echo_Wish的博客
07-02 1050
本文介绍了使用Python实现深度学习模型的序列建模和生成模型的步骤。我们详细说明了每个步骤，并提供了相应的代码示例。通过学习本文，您将能够使用Python构建和训练序列建模和生成模型，并生成新的序列数据。希望本文对您有所帮助！如果您有任何问题或建议，请随时提出。
开思通智网-科技快报20240704：全球首个，人工智能之城，AI填报志愿
opensnn的博客
07-05 303
【本周新进展】【本周国外资讯】【其他】
【遥感语义分割】UNetFormer
m0_53700832的博客
07-05 719
原文：UNetFormer: An UNet-like Transformer for Efficient Semantic Segmentation of Remotely Sensed Urban Scene Imagery Libo Wang1, 2, Rui Li1, Ce Zhang3, 4, Shenghui Fang1*, Chenxi Duan5, Xiaoliang Meng1, 2 and Peter M. Atkinson3, 6, 7 1) School of Remote Se
2024第二届电子通信与计算机科学技术国际会议(ICECCST 2024)
anana_xu的博客
07-05 463
2024第二届电子通信与计算机科学技术国际会议(ICECCST 2024)会议简介2024第二届电子通信与计算机科学技术国际会议（ICECCST 2024）是一次重要的学术盛会，将在中国厦门举行。会议的主要目的是为全球的电子通信和计算机科学技术领域的专家、学者、研究人员和从业人员提供一个交流和学习的平台。会议将汇集世界各地的优秀学者，共同探讨电子通信和计算机科学技术的前沿问题，分享最新的研究成果和技术进展。会议的主题包括但不限于电子通信、计算机科学、人工智能、物联网、云计算、大数据等。
2025深圳国际人工智能展览会
LIJIAzlexpo的博客
07-05 905
2.智慧城市、智能安防、智慧办公、智能家居、智慧医疗、智慧养老、智慧零售、智慧社区、智慧政务、智慧教育、智能交通、智能家电、AI芯片、大数据、云计算、5G/6G通信、数据采集、机器视觉、开放平台等硬件设备提供商、集成商、算法工程师等AIoT产业相关从业人士；智能制造（智能软硬件、智能机器人、无人工厂、精密制造、智慧物流）、智慧城市、智慧交通、智能安防、智慧医疗、智慧教育、智能家居、智能家电、智慧政务 、智慧办公、智慧养老、智慧社区、智慧零售、智能电网、智能客服、VR/AR、智能穿戴、自动驾驶、无人机等；
理解GCN
bunny___的博客
07-05 623
理解GCN
240705_昇思学习打卡-Day17-基于 MindSpore 实现 BERT 对话情绪识别
最新发布
weixin_66378701的博客
07-06 519
BERT全称是来自变换器的双向编码器表征量（Bidirectional Encoder Representations from Transformers），它是Google于2018年末开发并发布的一种新型语言模型。与BERT模型相似的预训练语言模型例如问答、命名实体识别、自然语言推理、文本分类等在许多自然语言处理任务中发挥着重要作用。模型是基于Transformer中的Encoder并加上双向的结构，因此一定要熟练掌握Transformer的Encoder的结构。
|从零搭建网络| VisionTransformer网络详解及搭建
qq_58202678的博客
07-03 807
前言VIT模型详解VIT模型架构PatchMLP HeadVIT模型复现二维Patch Embedding的实现二维Multi_head Attention(多头自注意力机制)的实现二维Encoder Block的实现二维VisionTransformer的实现一维VisionTransformer的实现总结。
docker run -d -v ollama:/root/.ollama -p 11434:11434 --name ollama ollama/ollama
05-30
这是一个在Docker中运行容器的命令，具体解释如下： - 运行一个Docker容器：`docker run` - 指定容器以守护进程模式（即在后台运行）启动：`-d` - 将容器内的 `/root/.ollama` 目录映射到主机的 `ollama` 目录中：`-v ollama:/root/.ollama` - 将容器的 `11434` 端口映射到主机的 `11434` 端口上：`-p 11434:11434` - 指定容器的名称为 `ollama`: `--name ollama` - 使用 `ollama/ollama` 镜像来启动容器：`ollama/ollama` 简而言之，上述命令会使用 `ollama/ollama` 镜像来创建一个名为 `ollama` 的容器，将容器内的 `/root/.ollama` 目录映射到主机的 `ollama` 目录上，并将容器的 `11434` 端口映射到主机的 `11434` 端口上。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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