DeepSeek+本地知识库：真的太香了

今天分享下deepseek +本地知识库的部署。

先画个数据流程流程。

基于Cherry Studio搭建（首选） 

基于本地的deepseek搭建个人知识库。 使用本地服务,安装嵌入模型，用于将文本数据转换为向量标识的模型。

#命令行窗口执行拉取下即可。
ollama pull bge-m3
pulling manifest
pulling daec91ffb5dd... 100% ▕████████████████████████████████████████████████████████▏ 1.2 GB
pulling a406579cd136... 100% ▕████████████████████████████████████████████████████████▏ 1.1 KB
pulling 0c4c9c2a325f... 100% ▕████████████████████████████████████████████████████████▏  337 B
verifying sha256 digest
writing manifest
success

下载cherry studio

根据自己的环境下载cherry studio

安装的时候，注意安装到其他磁盘，不要在c盘安装。

本地模型知识库

配置本地ollama

操作步骤：

1. 找到左下角设置图标

2. 选择模型服务

3. 选择ollama

4. 点击管理

5. 点击模型后面的加号（会自动查找到本地安装的模型）

6. 减号表示已经选择了

知识库配置

1. 选择知识库

2. 选择添加

3. 选择嵌入模型

4. 填写知识库名称

添加知识文档

cherry可以添加文档，也可以添加目录（这个极其方便），添加完以后出现绿色的对号，表示向量化完成。

搜索验证

1. 点击搜索知识库

2. 输入搜索顺序

3. 点击搜索 大家可以看下我搜索的内容和并没有完全匹配，不过已经和意境关联上了。

大模型处理

1. 点击左上角的聊天图标

2. 点击助手

3. 点击默认助手（你也可以添加助手）

4. 选择大模型

5. 选择本地deepseek，也可以选择自己已经开通的在线服务

6. 设置知识库（不设置不会参考）

7. 输入提问内容

8. 发问

   

大家可以看到deepseek已经把结果整理了，并告诉了我们参考了哪些资料。

满血版

差别就是大模型的选择，在模型服务里配置下在线的deepseek服务即可。

如果你的知识库有隐私数据，不要联网！不要联网！不要联网！

方案二 基于AnythingLLM搭建 

下载AnythingLLM  Desktop

下载以后，安装的时候，注意安装到其他磁盘，不要在c盘安装。

AnythingLLM 配置

点击左下角的设置

1. 点击 LLM首选项

2. 选择ollama作为模型提供商

3. 选择已安装的deepsek 模型

4. 注意下地址

5. 保存

1. 向量数据库不用动即可，使用自带的（ps:如果没有选择安装目录，默认在c盘，如果后续有需要可以挪走）

2. 嵌入模型配置

3. 可以使用自带的，也可以使用ollama安装好的

4. 配置完点击左下角的返回即可

配置工作区

1. 新建的工作区

2. 默认会话

3. 上传知识库文档

将文档拖拽到上传框。ps: 只需要拖拽一次就行了，它在聊天框能看到。不知道为什么，我这拖拽以后，没看到上传成功，然后又拖拽了几次。然后聊天框就好多份。

当然你可以配置远程文档，confluence、github都可以。

ps: 需要注意的是文档在工作区间内是共用的。

api功能

AnythingLLM 可以提供api访问的功能，这个可以作为公共知识库使用。

总结 

整个操作下来，AnythingLLM 的体验没有cherry好。AnythingLLM就像一个包壳的web应用(后来查了下，确实是)。AnythingLLM 得具备一定的程序思维，给技术人员用的。非技术人员还是使用cherry吧。作为喜欢折腾的开发人员，我们可以结合dify使用。

最后 

个人知识库+本地大模型的优点

• 隐私性很好，不用担心自己的资料外泄、离线可用

• 在工作和学习过程中对自己整理的文档，能快速找到，并自动关联

• 在代码开发上，能参考你的开发习惯，快速生成代码