一步步教你如何构建属于自己的个性化人工智能知识库

如何搭建个人AI知识库？

前排提示，文末有大模型AGI-CSDN独家资料包哦！

分享一下我的整体思路。我觉得方法都是次要的，因为每个人的需求、情况都不同——唯有思路可以借鉴。

出发点和对应解法：

第一，信息过载，无法逐一细细消化。所以需要AI辅助，通过总结、提炼等方式帮助我们先快速、大致掌握。

第二，人脑不适合用来记东西，而应该用来做创造性的工作。所以需要“第二大脑 / Second Brain”来存储，需要AI根据语义进行检索（所有工具都有关键词检索，再加上语义检索就齐全了）。

第三，记笔记是对信息做预处理。记笔记的目的，是增援未来的自己。所以需要把信息层层筛选，最后挑选出来的、值得记下来的内容，用自己的话来记，而非复制别人的表述。

基于上面这三点，我设计了两套子系统，就像我在视频里介绍的：

外部信息处理。以AnythingLLM + 大模型为核心。

就像屠宰场一样，我把日常看到的、觉得有价值的信息都放到AnythingLLM里，用大模型这把“刀”，对所有信息作“肢解”，让我明白它们的“全身构造”，以及有哪些“部位”是有价值的。

这些有价值的内容，我会手动放到笔记里去——这一步只能自己来，因为如果没过自己的脑子、没亲手敲字的话，就一定不会成为自己的东西。

当然，针对特定信息，我还会用一些别的工具。比如AI相关的论文，我肯定会用txyz.ai来处理，这个网站 / 工具很专业，非常适合。

笔记生成。以Obsidian + 各种插件为核心。

就像视频里说的那样，我按照PAFP的逻辑建了四个文件夹，然后在里头建子文件夹，放对应的笔记。

Obsidian对笔记之间的逻辑关联做得很好。文件夹是一个关联逻辑。每条笔记还可以打上标签，这样一来，就可以跨过文件夹再去建立一个关联逻辑。更牛逼的是，一条笔记还可以链接到另一条笔记，这又是一种知识图谱的关联逻辑。通过这三层关联，我们就可以把笔记系统性地整理起来，变成一张网，而非一个个的散点。

在网的基础上，我们无论是查询还是搜索，都会有效得多。

我就是按照以上思路和方法，持续地把外部信息源源不断转化成我自己的东西。这种逐渐积累、内化的感觉，是非常让人欣喜的。

Ollama和LM Studio有哪些区别？

Ollama和LM Studio都属于在本地运行开源大模型的工具。直观上的区别在于，Ollama通过命令，LM Studio通过图形化界面。因此对新手来说，LM Studio会更亲切、更容易上手。

在后端把大模型跑起来还不够，还需要有前端的交互界面。

LM Studio在这方面做得很好。就像我在视频里说的那样，它的集成度非常高，从模型搜索和下载，到加载和对话，全都打包在一起了。

而Ollama是在终端里进行对话的，看起来特别简陋，于是有了Open WebUI这样的项目，给Ollama一个更加现代化的界面，类似ChatGPT的外观。不仅如此，Open WebUI还自带RAG，可以用它搭建知识库，以及具有账号管理的功能，方便多人使用。

上边介绍的，都属于Ollama和LM Studio的【客户端】模式。它俩还有【服务器】模式。简单来说就是，只是充当大模型在本地运行的工具/容器，然后打开一个通道/端口，给到其它应用。就像发电机一样，接了条电线出来，给到各种电器使用。

如何提升AnythingLLM精确度？

理解RAG的原理、流程，才好做优化，不管是自己手搓还是用现成工具。

RAG = 文档预处理 + Query理解 + 文档检索 + LLM生成

如果是用AnythingLLM之类的现成工具，在设置方面有几点要注意：

第一，嵌入模型的语言支持。比如，资料中英文都有的话，可以用Cohere Embed v3 - Multilingual，支持多语种。

第二，嵌入模型的Context Window。比如，Cohere Embed v3 - Multilingual是512 tokens。用Ollama、LM Studio的话，我记得会要求填写Max embedding chunk length，注意别瞎填。

第三，文本切块的尺寸（Chunk Size）和重叠（Overlap）。

尺寸要考虑两点：一是别超过嵌入模型的上限；二是资料的类型。如果资料都是一些短句、片段，比如单条的简短笔记，那么尺寸小一些可以避免一个切块中包含太多条不相干的内容，干扰大模型的理解。如果资料是成篇的文章，有比较强的连贯逻辑，尺寸就尽量大一些，否则把一个连贯段落切开就牛头不对马嘴了。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓