打造本地GPT专业领域知识库AnythingLLM+Ollama_anythingllm官网

        如果你觉得openai的gpt没有隐私，或者需要离线使用gpt，还是打造专业领域知识，可以借用AnythingLLM+Ollama轻松实现本地GPT.

AnythingLLM+Ollama 实现本地GPT步聚：

1 下载 AnythingLLM软件

AnythingLLM官网地址：

AnythingLLM | The ultimate AI business intelligence tool

2 下载 Ollama

Ollama官网下载: 

 Ollama

下载好的两个软件如下图： 

3 安装AnythingLLM

和安装其它软件一样双击安装即可，如下图：

安装成功后，我们接着再安装Ollama。

4 安装Ollama

和安装其它软件一样双击安装即可，安装成功后右下角有个运行图标如下图：

 配置 Ollama

 1 配置Ollama模型数据路径

模型数据默认是保存在C盘的，由于模型数据特别大，所以这里一定要记住配置模型数据的路径，只里设置系统变量OLLAMA_MODELS的值为模型数据保存路径，如下图：

 2 选择配置主模型

  这里考虑到我们平时主要处理中文相关资料，选择阿里的千问模型，结合当前环境笔记是16G内存，我们这里选择千问7b（占用8G内存）：

  运行选择的模型

ollama run qwen:7b

首次运行会下载该模型，如下图： 

下载完成，如下图： 

3 选择配置嵌入模型

 嵌入模型并不直接生产数据，主要用于把本地知识doc.pdf txt等文档保存在向量数据库时用到。

这里我们选择 nomic-embed-text ，它是具有大型令牌上下文窗口的高性能开放嵌入模型。

ollama pull nomic-embed-text

5 配置AnythingLLM

打开AnythingLLM 进行设置项，如下图：

1 配置主模型

这里选择上面Ollama下载的千问模型

2 配置嵌入模型

这里选择配置与上面安装的模型nomic-embed-text一致，如下图：

配置嵌入模型在处理上传知识文件保存到向量数据时两个关键参数：

•   分块大小 （这是单个向量中允许存在的最大字符数量。例如，如果设置为8192，意味着每个文本块或向量最多包含8192个字符。）
•  文本块重叠度（这是指在两个相邻文本块切分过程中允许的最大字符重叠量。设置重叠可以帮助保持信息的连续性，避免因严格切分导致的语义断裂，尤其是在信息的关键边界附近。）

  注意：这两个参数仅适用于新嵌入的文档，对已存在的文档没有影响。 

 3 配置使用向量数据库

设置使用向量数据库，没有特别需求使用默认即可，如下图：

 说明：LanceDB是一个开源的无服务器向量数据库，专为处理人工智能应用中的大规模多模态数据（如文本、图像、视频、点云等）而设计。它简化了高维向量的检索、过滤和管理过程，无需用户管理和维护服务器基础设施，从而降低了运维成本并提高了开发效率。 

配置完成，如下图： 

 

6 开始使用本地GPT（使用AnythingLLM）

现在我们开始使用AnythingLLM：

1 创建空间

  AnythingLLM 有一个很好的概念工作空间，有点像我们平时用eplise创建项目一样，一个项目一个空间，不同的空间还可以单独配置，这样可以很好的划分不同类类型的专业领域。

 保存空间名称后，即可正常提问

开始问答：

因为是离线，而本地又没有显卡，所以回答问题时并不是很快，而且CPU会拉升，如下图： 

 ollama 服务CPU占用50%，内存12G,消耗挺大的。

2 可选择单独配置参数

  为当前空间单独配置参数（默认使用设置中的配置） 

配置聊天模型，这个配置很重要，如果只是针对知识库直接设置成查询模型即可，如下图： 

 

3 知识库使用

 上传文档形成专业知识库，如下图：

选择文档上传，如下图： 

 

 

或者输入网址直接获取内容 

 使用查询模型提问，直接使用知识库如下图：

小结，普通的笔记本电脑在使用查询模式会比聊天模型更快，并且可以节约CPU与内存。