企业官网建设流程全解析

本文介绍了如何搭建本地运行的私有知识库，利用RAG技术使AI基于本地文档而非云端记忆回答问题。文章详细介绍了三款本地RAG工具：AnythingLLM、PrivateGPT和Dify，并对比了它们的上手难度、隐私程度、功能丰富度和资源占用。推荐个人用户使用AnythingLLM快速搭建，企业用户可考虑PrivateGPT或Dify。文章还提供了使用AnythingLLM+Ollama搭建本地知识库的实操步骤，并分享了提升RAG效果的5个技巧。

你有没有遇到过这样的场景：公司有大量内部文档、产品手册、技术规范，想让 AI 帮忙检索和问答，但又不敢把这些敏感数据上传到 ChatGPT 或其他云端服务？

这就是 RAG（检索增强生成）的用武之地——让大模型基于你自己的文档来回答问题，而不是靠它的"记忆"瞎编。

今天这篇文章，我会带你从零搭建一套完全本地运行的私有知识库，数据不出你的电脑，用到的工具全部免费开源。

什么是 RAG？一句话说清楚

RAG = Retrieval-Augmented Generation，翻译过来就是"检索增强生成"。

原理很简单：

1. 你上传文档（PDF、Word、TXT 等）
2. 系统把文档切成小块，转成向量存起来
3. 你提问时，系统先从向量库里找到最相关的段落
4. 把这些段落作为上下文，交给大模型生成回答

和直接问 ChatGPT 的区别：ChatGPT 只能用它训练时学到的知识回答，而 RAG 能让模型基于你的文档回答，答案更准确，还能告诉你出处。

三款本地 RAG 工具横评

目前主流的本地知识库方案有三个，我都实际体验过，帮你选：

AnythingLLM —— 推荐新手首选 ⭐

一句话评价：开箱即用，桌面版零配置，适合个人和小团队。

• 有独立桌面应用（Windows/Mac/Linux），下载就能用
• 内置 RAG + AI Agent + 向量数据库，不用单独装一堆组件
• 支持 30+ 种 LLM 接入，包括 Ollama 本地模型
• 支持 PDF、Word、TXT、网页等多种格式
• 界面友好，拖拽上传文档就行

适合谁：想快速体验本地知识库的个人用户，不想折腾环境配置。

PrivateGPT —— 极致隐私派

一句话评价：数据隔离最彻底，适合企业内网和敏感场景。

• 100% 本地处理，数据绝对不外传
• 基于 LlamaIndex 框架，RAG 效果扎实
• 支持 Ollama 和 llama-cpp 两种本地推理方式
• 需要 Python 环境 + 命令行操作，有一定门槛
• 提供 API 接口，方便二次开发

适合谁：对数据安全有严格要求的企业用户、开发者。

Dify —— 团队协作之选

一句话评价：可视化工作流 + RAG，适合团队搭建 AI 应用。

• 拖拽式构建 RAG 工作流，不用写代码
• 内置知识库管理、分块策略、多种检索模式
• 支持 Agentic RAG（智能体增强检索）
• Docker Compose 部署，需要 8GB+ 内存
• 有完整的 API 和前端界面

适合谁：需要搭建面向客户的文档问答产品的团队。

三者对比一览

• 上手难度：AnythingLLM（最简单）> Dify（中等）> PrivateGPT（需命令行）
• 隐私程度：PrivateGPT（最高）> AnythingLLM > Dify
• 功能丰富度：Dify（最全）> AnythingLLM > PrivateGPT
• 资源占用：AnythingLLM（最轻）< PrivateGPT < Dify（最重）

我的建议：个人用户直接上 AnythingLLM，10 分钟搞定。下面我就用 AnythingLLM + Ollama 演示完整流程。

实操：AnythingLLM + Ollama 搭建本地知识库

第一步：确保 Ollama 已安装

如果你跟着我之前的文章装过 Ollama，直接跳到下一步。没装的话：

# Windows：去 ollama.com 下载安装包# Mac：brew install ollama# Linux：curl -fsSL https://ollama.com/install.sh | sh

拉取我们需要的模型：

# 聊天模型（推荐 Qwen3.5）ollama pull qwen3.5:9b# 嵌入模型（把文档转成向量用的）ollama pull nomic-embed-text

💡 嵌入模型很小（约 274MB），不占什么资源，但对 RAG 效果至关重要。

第二步：安装 AnythingLLM

去官网 anythingllm.com下载桌面版安装包。

Windows 用户直接双击.exe安装，Mac 用户拖到 Applications 就行。

打开后会看到一个简洁的设置向导。

第三步：连接 Ollama

在 AnythingLLM 的设置里：

1. LLM 设置→ 选择Ollama→ 模型选qwen3.5:9b
2. 嵌入模型→ 选择Ollama→ 模型选nomic-embed-text
3. 向量数据库→ 保持默认的LanceDB就行（内置的，不用额外安装）

Ollama 默认运行在http://localhost:11434，AnythingLLM 会自动检测到。

第四步：创建工作区并上传文档

1. 点击左侧“New Workspace”创建一个工作区，比如叫"产品文档"
2. 点击工作区设置里的“Upload Documents”
3. 把你的文档拖进去——支持 PDF、Word、TXT、Markdown、网页链接等
4. 点击“Move to Workspace”开始向量化处理

处理完成后，你就可以在聊天框里提问了！

第五步：开始提问

试着问几个问题：

• “我们产品的退款政策是什么？”
• “技术架构用的是什么数据库？”
• “上季度的销售数据有什么趋势？”

AnythingLLM 会先从你上传的文档里检索相关段落，然后让 Qwen3.5 基于这些内容生成回答。你会看到回答下方还标注了引用来源。

进阶：提升 RAG 效果的 5 个技巧

搭起来容易，用好不简单。这几个技巧能显著提升问答质量：

1. 文档预处理很重要

垃圾进，垃圾出。上传前建议：

• 去掉页眉页脚、目录、版权声明等无关内容
• 表格数据转成文字描述效果更好
• 长文档拆成按章节的小文件

2. 选对嵌入模型

nomic-embed-text是目前本地嵌入模型里性价比最高的。如果文档主要是中文，也可以试试bge-m3：

ollama pull bge-m3

3. 调整分块大小

AnythingLLM 默认的分块大小是 1000 个 token。如果你的文档段落比较长（比如法律合同），可以调大到 1500-2000；如果是 FAQ 类短文档，调小到 500 效果更好。

在工作区设置 → Document Settings 里可以调整。

4. 用好"引用模式"

在工作区设置里开启“Query Mode”，模型只会基于文档内容回答，不会用自己的知识"补充"。适合对准确性要求高的场景。

5. 多文档分工作区

不要把所有文档都扔进一个工作区。按主题分，比如"产品文档"“技术文档”"销售数据"各建一个工作区，检索效果更好。

Docker 部署：给团队用

如果要给团队多人使用，建议用 Docker 部署：

docker pull mintplexlabs/anythingllmdocker run -d -p 3001:3001 \ --name anythingllm \ -v anythingllm_storage:/app/server/storage \ mintplexlabs/anythingllm

Docker 版支持多用户、角色权限管理，适合团队场景。访问http://localhost:3001就能用。

常见问题

Q：8GB 内存够用吗？

够。AnythingLLM 本身只占约 2GB 内存，剩下的给 Ollama 跑模型。用qwen3.5:4b的话 8GB 完全没压力，用 9B 模型建议 16GB。

Q：能支持多少文档？

理论上没有上限，取决于你的硬盘空间。向量化后的数据占用空间很小，几千份文档也就几个 GB。

Q：中文效果怎么样？

Qwen3.5 的中文能力很强，配合nomic-embed-text或bge-m3嵌入模型，中文文档检索效果不错。

Q：和在线的 Coze/扣子有什么区别？

最大区别是数据隐私——你的文档不会上传到任何服务器。其次是免费无限制，不用担心 token 额度和会员费。代价是需要自己的电脑来跑。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

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

• …

  👇👇扫码免费领取全部内容👇👇

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

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】