QAnything：网易开源本地知识库问答系统

今天介绍一个基于本地知识库的问答系统 QAnything，有网易开源，同时也提供 SaaS 在线服务，有一定免费额度。特点是界面友好，简单易用，知识库管理和问答之外，也提供了 Agent、速读、AI写手等能力。

文章主要内容：

• • QAnything概述

• • 架构和特点

• • 开源和商业使用

• • 用户界面及功能示例

• • 本地安装

• • SaaS 服务价格

• • 相关工具推荐

QAnything概述

什么是QAnything？

Question and Answer based on Anything（QAnything） 是一个本地知识库问答系统，旨在支持各种文件格式和数据库，允许离线安装和使用。用户只需将任何本地存储的任何格式的文件拖放到系统中，即可获得准确、快速和可靠的答案。

目前支持的格式包括（其实我们一般也不关心这块，支持常见的PDF\Word\文本即可，其他格式RAG效果也不好，不兼容的稍微转换下格式即可）：

• • PDF（pdf）

• • Word（docx）

• • PPT（pptx）

• • Markdown（md）

• • Eml（eml）

• • TXT（txt）

• • XLS（xlsx）

• • CSV（csv）

• • 图像（jpg，jpeg，png）

• • 网页链接（html）

主要特点：

• • 数据安全，支持在整个过程中插拔网线的安装和使用。

• • 跨语言问答支持，可以自由切换中英文问答，不受文档语言的限制。

• • 支持海量数据问答，两阶段向量排序，解决了大规模数据检索的性能下降问题；数据量越大，性能越好。

• • 支持类似Kimi的快速开始模式，无文件聊天模式，仅检索模式，自定义Bot模式。

架构

为什么使用两阶段检索

知识库数据量大的场景下两阶段优势非常明显，如果只用一阶段embedding检索， 随着数据量增大会出现检索退化的问题，如下图中绿线所示， 二阶段rerank重排后能实现准确率稳定增长，即数据越多，效果越好。

开源和生产使用

QAnything的开源版本基于QwenLM，已在大量专业问答数据集上进行了优化。它极大地增强了问答能力。如果需要用于商业目的， 请遵循QwenLM的许可协议。用户在Linux系统上使用QAnything时， 需要满足一定的先决条件，如NVIDIA GPU内存>= 4GB等。

友好的用户界面

QAnything的用户界面设计友好且易于操作，无需繁琐的配置。用户可以轻松选择多个知识库进行问答，满足不同需求。

我下面使用 SaaS 版本做展示，大家有兴趣的可以本地部署。

知识库问答

登录之后界面非常简洁，不需要文档都可以直接使用：

填入知识库名称，点击「新建」，拖入本地知识库的文档（可以是PDF、Docx等），然后点击确定即可。

我这里上传了一个色彩设计的文档，然后快速进行提问，回答速度和效果都不错，末尾还会给出数据来源。

再问一个其他问题：

简单的使用和设置由于使用简单，我们可以的设置项也非常有限，只有区区几个设置项：

• • 大模型的选择

• • 回复上限（默认是 512 Token，最多 1024 Token）

• • 是否使用混合检索

Agent

另外 QAnything 也提供了一个自定义 Agent 的功能，可以快速创建自己的知识库问答系统。

Agent 就是你给他设置一个角色，也就是我们常常提到的 System Prompt。系统提示语 我们一般设置如下内容：

• • 角色定义，比如：你是一个聪明的研究助理。

• • 任务的描述。比如：请回答用户关于产品的常见问题。

• • 上下文信息。比如：用户正在查找有关2024年新产品的信息。

• • 语言风格和语气。比如：使用专业术语，保持正式语气。

• • 回答示例或格式。你期望机器人能够回答的内容格式，这里可以使用少样本提示，或者直接指定格式。

• • 限制和注意事项。告诉机器人哪些能说，哪些不能说。

然后选择知识库（可以选择多个）：

值得一提的是：除了常规的直接使用 Agent 对话，QAnything 还提供了发布功能，

可以快速嵌入到网页中，比如我们把这个色彩设计的机器人放到知识图谱中：

我只是做一个示例，一般来说我们嵌入到文档相关的网页中更为合适， 或者为每个知识图谱定制一个专属知识库和 Agent，这样的话才让知识文档更有实际意义。

关于知识库图谱和知识库大部分时候，我们构建知识图谱更偏向于从知识库中提取信息，这样的场景适合你有了知识库的场景，这种方式更适合问答系统。同时也可以把图谱的能力嵌入到原有的很多系统中。另外一种图谱的构建方式是，专有的更偏向结构化的数据，比如我上面截图展示的知识图谱，他没有很多的文本数据， 所以也不太适合这种基于RAG的数据问答。更适合基于图的数据问答

速读

速读功能我觉得比较鸡肋，就是上传文件帮你总结，实验下来比起 Kimi 等大模型来说效果差了不少。

先上传文件，系统会进行解析，解析的速读说实话有点儿慢（和其他大模型文档解读相比）。

解析完成，就会左边原文，右边速读 的形式来呈现。鼠标放在原文或速读上可以查看对应的信息。

AI 写手

QAnything 也提供了一个 AI 写手的功能，可以让用户通过 QAnything 来写文章。

使用起来也很简单，主要提供了下面能力：

• • 写文章时可以绑定知识库

• • 可以手写大纲，也可以指定大纲

如果是自动生成大纲，可以对生成的大纲进行调整：

然后就可以点击生成文章了：

使用下来，如果是知识库内容很多，下过会好一点。如果知识库内容不多，会生成超级多的重复内容。

安装和部署

安装QAnything系统需要一些基本的Linux系统命令。首先，需要安装NVIDIA驱动，可以通过以下命令来检查驱动版本：

nvidia-smi | grep Version

接着，安装Docker，通过以下命令来检查Docker版本：

docker --version

安装Docker Composer，检查 Docker Composer版本：

docker-compose --version

最后，安装必要的Linux系统命令，可以通过以下命令完成：

sudo apt-get update   
sudo apt-get install git-lfs unzip jq bc

在完成以上步骤后，用户可以拉取QAnything代码库并运行服务器。具体操作如下：

git clone it@gitlab.corp.youdao.com:ai/qanything.git   
cd QAnything   
bash run.sh # 用默认参数启动服务

用户可以通过以上步骤进行一键安装和部署QAnything系统，并进行服务参数设置。

系统要求

QAnything系统的运行需要符合一定的系统要求。对于Linux系统，需要满足以下最低配置：

• • 操作系统：Linux amd64

• • NVIDIA显卡内存：至少4GB（使用OpenAI API）

• • NVIDIA驱动版本：不低于525.105.17

• • Docker版本：不低于20.10.5

• • Docker Compose版本：不低于2.23.3

用户可以通过以下步骤来安装必要的组件：

1. 1. 安装NVIDIA驱动：

• • 运行命令nvidia-smi | grep Version来检查驱动版本

1. 1. 安装Docker：

• • 运行命令docker --version来检查Docker版本

1. 1. 安装Docker Compose：

• • 运行命令docker-compose --version来检查Docker Compose版本

SaaS 服务

最后看一下 SaaS 服务，如果自用和拿来测试的话，可以直接用一下免费的云服务：

• • 支持两百万的训练语料库

• • 500万的赠送积分

• • 知识库 30 天不用的话会被自动清除

最后

再回顾一下 QAnything 的优势，界面简洁、用户友好，提供了专门的微调模型，但是支持的模型和配置扩展能力比较少， 属于开箱即用，不需要也不太容易折腾的工具。

除了这个工具，我本地知识库里面也记录了一些相关工具，部分工具在之前也介绍过，大家可以参考对比下。

如何学习AI大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的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。

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】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。