本文详细介绍了如何使用LM Studio和Anything LLM工具来构建和部署本地知识库。文中首先解释了安装和配置大模型的步骤，随后展示了如何将模型部署为后台服务，并通过API进行调用。此外，文章还涉及了如何使用这些工具快速构建知识库应用，包括知识库的配置和问答系统的设置。整个过程强调了无需深厚编程知识即可实现快速部署和使用，适合业务专家和产品设计人员使用。

业务背景

最近一直在寻找一套最佳的基于大模型的知识库系统解决方案，需要具有如下能力：

1. 能够快速将大型模型进行本地化的部署使用。

2. 结合大语言模型，能有一套良好的知识库系统，方便使用。

3. 针对业务专家和产品设计人员，即使不懂代码，也能快速构建产品原型，了解基于大型模型知识体系的构建过程，并能选型大语言模型。

4. 针对算法人员，“套壳”大模型或微调大模型，可通过一款工具完成本地化的快速部署和分发，而不需要自己单独写一个服务。

5. 针对开发人员，可将算法开发好的模型快速构建成后台服务，且为OpenAI标准的服务API，能让开发团队快速进行大型模型的接入测试和验证。

6. 针对测试人员，可以在构建的大型模型和知识库问答应用中进行快速测试，并跟踪各个环节的结果，如embedding的召回结果是否覆盖所有知识点，可通过接口调用日志进行快速查看。

7. 针对甲方的企业要快速验证知识库项目的可行性，可以使用这两个工具搭建本地的测试环境。这样可以对一些关键技术进行全流程化的跟踪调试，待验证没有问题再进行立项或系统的集成。

最终选择了LM studio + Anything LLM搭建本地知识库。

LM Studio安装部署及使用

安装

LM Studio是一款桌面软件，安装后，经过简单的配置即可使用。登录https://lmstudio.ai/ 即可看到如下界面，按自己的操作系统进行下载即可。

安装完成之后，登录系统的主界面如下图所，可以看到其默认界面如下：

安装完成！！！

下载和管理大模型

在LMs studio的首页即提供了大模型列表及搜索能力，可以从hugging Face上获取支持的大模型列表，并可以通过搜索获取关注的大模型。如下图搜索最近也比较火的Mistral：

1. 点击“download”可以将想要的大模型下载到本地磁盘中。

查看下载进度条

2. 点击My models图标，即可查看本地下载的大模型列表，在这里我本身下载了4个大模型（LLama-3、LLama-3 chinese、gemma，刚刚下载的mistral）、一个embedding Model（据说是一个比较好的embedding算法），还有一个是自己通过LLama-3套壳的本地模型：

AI chat

下载了模型之后，就来验证一下这个模型能否正常使用，进入AI chat界面：

1. 是选择模型，选择我们刚下载的mistral，左侧可以显示该模型在执行时的内存及cpu占用情况。

2. 是针对该模型的聊天历史

3. 是针对该模型进行对话时的参数配置，这里我们默认即可

4. 是聊天的主交互界面。

以下是Mistral模型回答的结果，问题都理解出错了：

换成最近超火的LLama 3:8b之后结果还是不错的：

将大模型部署为后台服务

点击“local server“，进入服务配置界面：

1. 选择做为后台服务的大语言模型，在这里选择llama3

2. embedding算法，这里选择了一个社区比较推荐的nomic-ai-nomic embed text算法

3. 配置做为后台服务的端口，并启动server

4. 针对python在不同的场景下的示例代码

5. 服务器的logs界面，每一次api的调用日志在这里都可以看得到，方便进行问题排查，还有就是embedding算法返回结果是否召回的验证非常有帮助，方便算法和测试人员进行模型测试和调优使用。

用Anything LLM快速构建知识库应用

Anything LLM有两个版本，一是桌面安装版本，另一是通过Docker进行部署的版本。我选择安装桌面版，有兴趣的同学可以研究一下Docker版本，它增加了用户权限管理功能，并可以进行企业级应用部署。它是开源的，可以在真正的生产环境中使用Anything LLM作为知识库的后台系统，并开放API供前端业务系统集成。

安装

登录网站https://useanything.com/download 并选择适用自己的版本：

下载到本地后直接像普通软件一样安装即可，由于本地已经完成了安装，在此就不再进行安装了。

安装完成之后，有三个比较重要的配置：

1. 配置大模型：

1. 推荐使用LM Studio，因为他还是比较方便调试的。在这里输入LMStudio后台服务的URL,选择模型和token的大小。

   
   

   

   
   

2. 另外，也可以选择openai或AnythingLLM，如果选择AnythingLLM，如下图所示，列表了其支持的大语言模型，选择了对应的模型点击“save changes“时，在后台会下载对应的大模型到本地。因此，AnythingLLM也可以自行体系独立运行。

   

2. 配置embedding模型（用于对语言档切分和向量数据库中知识内容的相似性判断并召回，该算法的好坏，直接影响大模型的推理结果），在这里也可以有多种选择，我选择使用LMStudio中的nomic-edmbed-text-v1.5，如下图所示：

   
   

   

3. 向量数据库：在这里我选择了一个轻量级的LanceDB，如下图所示：

   

配置知识库

返回主界面之后，默认如下图所示，没有任何应用：需要我们创建一个新的workspace。

需要我们创建一个新的workspace，点击“new workspace”之后，创建一个新的worksapce：

针对新创建的itops工作区，需要为其增加知识库的内容，我手动创建了一份markdown格式的应急预案文档，文包括大致内容如下：

在AnythingLLM界面点击上传按钮，可以将本地的文件或来自某一个网站的站点内容进行抓取，并当成知识库的内容。

点击上传本地的文件：

上传后由于要对文件进行切分操作，在之前的配置中，我们配置了embedding算法使用的是LM Studio推荐的nomic-ai-nomic embed text算法，因此会直接调用LM Studio的后台服务对文档进行切分，如下图为后台日志：

至此知识库配置完成，下面将使用智能问答系统。

知识问答

现在我们来问“数据库异常锁表故障”，看下结果如何：

• 首先，当我输入这个问题之后，第一件要做的事件就是调用LM Studio后台提供的API，这时会在Server Logs的控制台界面，看到调用过程，以及从知识库中召回的相关知识点：

  
  

  
  

  

• 当获取了这些召回的知识时，LM Studio的大语言模型（这里用的llama 3）就会执行推理的结果返回给Anything LLM，结果如下：

  
  

  
  

  对比一下知识内容的原文，效果还是非常不错的，原文如下：

  
  

  

至此，大型模型的知识库系统已经搭建完毕，并已完成从知识构建到知识问答结果展示的整个过程。

下一步，我们将对问答的结果进行评估，并优化问答系统的结果，以使其在生产上得以应用。