开源工具AnythingLLM全解析：打造智能私有知识库，RAG企业级解决方案实操指南

程序员辣条

于 2025-04-07 17:34:10 发布

阅读量1.3k

点赞数 16

文章标签：人工智能大模型学习大模型语言模型 RAG LLM 程序员

本文链接：https://blog.csdn.net/m0_65555479/article/details/147049004

版权

在数据安全和隐私保护日益受到重视的背景下，私有化部署大模型的需求日益增长。Mintplex Labs Inc. 推出的开源项目 AnythingLLM，为个人和企业提供了一种安全、高效且可定制的解决方案。该工具基于RAG（Retrieval-Augmented Generation）模型，允许用户将本地文档转换为可由大型语言模型（LLM）引用的格式，实现对话式问答和知识管理。

一、AnythingLLM的主要功能

多用户支持与权限管理：支持多用户同时访问，并可设置不同权限。
文档管理：支持PDF、TXT、DOCX等多种文档类型，并通过简易界面管理。
聊天模式：提供对话和查询两种模式，保留历史记录，支持引用标注。
技术栈简单：便于快速迭代和云部署。
成本效益：对大型文档一次性嵌入，显著节约成本。
开发者API：提供完整API支持自定义集成。
LLM：包括任何开源的 llama.cpp 兼容模型、OpenAI、Azure OpenAI、Anthropic ClaudeV2、LM Studio 和 LocalAi。
嵌入模型：AnythingLLM 原生嵌入器、OpenAI、Azure OpenAI、LM Studio 和 LocalAi。
向量数据库：LanceDB（默认）、Pinecone、Chroma、Weaviate 和 QDrant。

二、AnythingLLM 部署实战

1. 安装Chroma Vectorstore：通过Docker容器部署，创建集合并验证设置。

访问向量存储API文档: http://localhost:8000/docs

2. LocalAI部署：使用CLI应用程序启动API服务器，与开源模型交互。

git clone https://github.com/go-skynet/LocalAI``cd chroma``docker compose up -d --build

容器运行后，我们需要下载、安装模型以供测试使用

Bert 的转换器嵌入模型：MiniLM L6

curl http://localhost:8080/models/apply ``  -H "Content-Type: application/json"`  `-d '{ "id": "model-gallery@bert-embeddings" }'``   ``curl http://localhost:8080/v1/embeddings ``  -H "Content-Type: application/json"`  `-d '{ "input": "The food was delicious and the waiter...",``"model": "bert-embeddings" }'``   ``{``"created": 1702050873,``"object": "list",``"id": "b11eba4b-d65f-46e1-8b50-38d3251e3b52",``"model": "bert-embeddings",``"data": [`    `{``"embedding": [`        `-0.043848168,``0.067443006,`    `...``0.03223838,``0.013112408,``0.06982294,`        `-0.017132297,`        `-0.05828256`      `],``"index": 0,``"object": "embedding"`    `}`  `],``"usage": {``"prompt_tokens": 0,``"completion_tokens": 0,``"total_tokens": 0` `}``}

大模型LLM：Zephyr-7B-β

curl http://localhost:8080/models/apply ``   -H "Content-Type: application/json"  ``   -d '{ "id": "huggingface@thebloke__zephyr-7b-beta-gguf__zephyr-7b-beta.q4_k_s.gguf",  ``        "name": "zephyr-7b-beta" }'``   ``curl http://localhost:8080/v1/chat/completions ``   -H "Content-Type: application/json"  ``   -d '{ "model": "zephyr-7b-beta",  ``        "messages": [{`          `"role": "user",``           "content": "Why is the Earth round?"}],  ``        "temperature": 0.9 }'``   ``{`  `"created": 1702050808,`  `"object": "chat.completion",`  `"id": "67620f7e-0bc0-4402-9a21-878e4c4035ce",`  `"model": "thebloke__zephyr-7b-beta-gguf__zephyr-7b-beta.q4_k_s.gguf",`  `"choices": [`    `{`      `"index": 0,`      `"finish_reason": "stop",`      `"message": {`        `"role": "assistant",`        `"content": "\nThe Earth appears round because it is``actually a spherical body. This shape is a result of the` `gravitational forces acting upon it from all directions. The force` `of gravity pulls matter towards the center of the Earth, causing` `it to become more compact and round in shape. Additionally, the` `Earth's rotation causes it to bulge slightly at the equator,` `further contributing to its roundness. While the Earth may appear` `flat from a distance, up close it is clear that our planet is` `indeed round."`      `}`    `}`  `],`  `"usage": {`    `"prompt_tokens": 0,`    `"completion_tokens": 0,`    `"total_tokens": 0`  `}``}

3. 部署AnythingLLM：利用官方Docker镜像安装，然后配置LocalAI后端和嵌入模型。

docker pull mintplexlabs/anythingllm:master``   ``export STORAGE_LOCATION="/var/lib/anythingllm" && \``mkdir -p $STORAGE_LOCATION && \``touch "$STORAGE_LOCATION/.env" && \``docker run -d -p 3001:3001 \``-v ${STORAGE_LOCATION}:/app/server/storage \``-v ${STORAGE_LOCATION}/.env:/app/server/.env \``-e STORAGE_DIR="/app/server/storage" \``mintplexlabs/anythingllm:master

访问：http://localhost:3001，我们可以在其中使用直观的 GUI 开始配置。

LocalAI 后端配置：通过 http://172.17.0.1:8080/v1 URL 访问

嵌入模型配置与相同的 LocalAI 后端保持一致。

接下来，配置 Chroma 向量数据库，使用URL http://172.17.0.1:8000

创建一个工作区，命名为“Playground”。

在“Playground”工作区，我们可以上传文档，进一步扩展本地知识库。

至此我们能够与文档开始进行交互式对话。

总结：

AnythingLLM和Vector Admin是Mintplex Labs提供的创新开源工具，它们极大地简化了私有知识库的构建和管理。通过高效的RAG模型实现和直观的用户界面，这些工具不仅保障了数据的安全性，同时也提供了强大的交互式文档处理能力。随着技术的不断进步，这些工具将为企业和个人用户提供更多的可能性和价值。