如何快速构建个人 AI 知识库？

01.如何搭建个人 AI 知识库？

分享我的整体思考过程。我认为具体方法因人而异，因为每个人的需求和情况都各不相同——唯有思路是可以互相借鉴的。

以下是出发点及其解决策略：

首先，面对信息过载，我们无法逐一细致地吸收。因此，需要人工智能的辅助，通过总结和提炼，帮助我们快速、大致地把握信息。

其次，人脑不适合用于记忆，而更适合进行创造性思考。因此，我们需要一个“第二大脑”来存储信息，并依赖AI进行基于语义的检索（除了关键词检索，语义检索能使得工具更加完善）。

再次，记笔记是对信息的一种预处理。记笔记的目的是为了支持未来的自己。因此，我们需要对信息进行层层筛选，最终用自己的话记录下那些值得记下的内容，而不是简单复制他人的表述。

基于以上三点，我设计了以下两套子系统，正如我在视频中展示的：

1. 外部信息处理系统。以 AnythingLLM 和大模型为核心。

我将日常遇到的、认为有价值的信息输入到 AnythingLLM 中，利用大模型这把“解剖刀”对信息进行“剖析”，以便我能够理解它们的“整体结构”以及哪些“部分”具有价值。

我会将这些有价值的内容手动整理到笔记中——这一步骤必须亲自完成，因为没有经过自己思考和亲手输入的内容，是不会真正成为自己的知识的。

当然，对于特定类型的信息，我还会使用其他工具。例如，对于AI相关的论文，我会使用txyz.ai来处理，这个网站/工具非常专业，非常适合处理这类文献。

2. 笔记生成系统。以 Obsidian 和各种插件为核心。

正如视频中所述，我根据PAFP的逻辑创建了四个文件夹，并在其中建立子文件夹来存放相应的笔记。

Obsidian 在处理笔记之间的逻辑关系方面做得非常出色。文件夹构成了一种关联逻辑。每条笔记都可以添加标签，这样就可以跨越文件夹建立另一种关联逻辑。更强大的是，一条笔记可以链接到另一条笔记，形成知识图谱的关联逻辑。通过这三种关联，我们可以将笔记系统性地组织起来，形成一张网络，而不是零散的点。

在这张网络的基础上，无论是查询还是搜索，效率都会大大提高。

我就是按照这样的思路和方法，不断地将外部信息转化为自己的知识。这种逐步积累和内化的过程，令人感到非常愉悦。

02.Ollama和 LM Studio 有哪些区别？

Ollama 和LM Studio 都是本地运行开源大型模型的工具。它们之间最明显的区别在于，Ollama 通过命令行操作，而 LM Studio 则提供图形化界面。因此，对于初学者来说，LM Studio 可能更加友好和易于掌握。

仅仅让大模型在后台运行是不够的，还需要一个前端交互界面。

在这方面，LM Studio 表现突出。正如我之前提到的，它的集成度非常高，从模型的搜索和下载，到加载和对话，所有功能都集中在一个包内。

相比之下，Ollama 在终端中进行对话，界面看起来相对简陋。因此，出现了像Open WebUI 这样的项目，为 Ollama 提供了一个更加现代化的界面，类似于ChatGPT 的风格。此外，Open WebUI 还内置了 RAG，可以用来构建知识库，并且具备账号管理功能，便于多人共用。

以上所述的都是 Ollama 和L M Studio 的【客户端】模式。这两种工具还提供了【服务器】模式。简单来说，这种模式就是将它们作为大模型在本地运行的工具或容器，然后开放一个通道或端口，供其他应用程序使用。这就像发电机一样，接出一根电线，为各种电器供电。

03.如何提升 AnythingLLM 精确度？

要优化 RAG（Retrieval-Augmented Generation）的原理和流程，无论是自己手动实现还是使用现有工具，都需要先理解其工作原理。RAG 的过程可以概括为以下几个步骤：

RAG = 文档预处理 + 查询理解 + 文档检索 + LLM 生成。

如果你选择使用 AnythingLLM 这类现成的工具，以下是一些设置时需要特别注意的要点：

首先，要考虑嵌入模型的语言兼容性。例如，如果你的资料中包含中英文，可以选择 Cohere Embed v3 - Multilingual，因为它支持多种语言。

其次，要注意嵌入模型的上下文窗口大小。例如，Cohere Embed v3 - Multilingual的上下文窗口为512个tokens。在使用 Ollama或LM Studio 时，需要填写最大嵌入块长度（Max embedding chunk length），不要随意填写。

第三，文本切块的大小（Chunk Size）和重叠部分（Overlap）的设置。

在设置切块大小时，需要考虑两个因素：一是不要超过嵌入模型的上限；二是根据资料的类型来调整。如果资料主要由短句或片段组成，如单条简短笔记，较小的切块尺寸可以避免一个块中包含过多不相关内容，减少对大模型理解的干扰。相反，如果资料是完整的文章，具有较强的连贯逻辑，则应尽量增大切块尺寸，以避免将一个连贯的段落切割得支离破碎，影响上下文的连贯性。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】