以下内容来自newtype社群问答精选
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。
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。
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。
粤ICP备14082021号
免费POC，
零成本试错
