使用MaxKB部署本地知识库问答系统
在人工智能技术快速迭代的今天，搭建一个本地化的知识库问答系统，已经不再是什么高门槛的事情。无论是企业用来沉淀内部知识，还是个人整理学习笔记，一个靠谱的本地问答系统都能让信息管理效率翻倍。MaxKB 就是这样一款开源工具——基于大语言模型和 RAG 架构，支持对接多种主流大模型，从本地私有的 DeepSeek R1、Llama 3、Qwen 2，到国内的通义千问、腾讯混元、字节豆包、百度千帆、智谱 AI、Kimi，再到国外的 OpenAI、Claude、Gemini，几乎覆盖了你可能用到的所有模型。更关键的是，整个过程不需要写一行代码。
之前我们聊过如何在 Windows 系统下本地部署 DeepSeek-R1-8B 模型，今天这篇文章就来补上另一块拼图：用 MaxKB 把本地模型接入知识库，快速搭建一个能真正回答你问题的智能问答系统。
安装准备
系统要求
- 操作系统：Linux（推荐 Ubuntu 或 CentOS）或 Windows。本文演示基于 Windows 11。
- 硬件：至少 4GB 内存、20GB 硬盘空间。如果计划跑大模型，配置需要相应提升。本文使用的是本地部署的 DeepSeek-R1-8B 模型，具体硬件要求可以参考之前那篇 DeepSeek 本地部署教程。
安装 Docker
MaxKB 官方推荐通过 Docker 进行部署。如果你还没装 Docker，可以先去了解一下 Docker 的基本安装方法，这里不再赘述。
安装步骤
拉取 MaxKB 镜像
打开命令行窗口，执行以下命令拉取镜像：
$ docker pull 1panel/maxkb $ docker images REPOSITORY TAG IMAGE ID CREATED SIZE 1panel/maxkb latest c239d64826e8 3 weeks ago 3.66GB
启动容器
拉取完成后，用以下命令启动容器：
$ docker run -d --name=maxkb
--restart=always
-p 8086:8080
-v D:/devWorkspace/AI_tools/maxkb/data:/var/lib/postgresql/data
-v D:/devWorkspace/AI_tools/maxkb/python-packages:/opt/maxkb/app/sandbox/python-packages
1panel/maxkb
参数说明：
-d：容器在后台运行。--name=maxkb：指定容器名称为maxkb。--restart=always：容器意外停止时自动重启。-p 8086:8080：将宿主机的 8086 端口映射到容器的 8080 端口。-v D:/.../data:/var/lib/postgresql/data：挂载数据卷，把宿主机目录映射到容器内的 PostgreSQL 数据目录，保证数据持久化。-v D:/.../python-packages:/opt/maxkb/app/sandbox/python-packages：挂载自定义 Python 依赖包目录，方便后续扩展。
访问 MaxKB
容器启动后，打开浏览器，访问 http://localhost:8086，使用以下默认账号登录：
username: admin password: MaxKB@123..
使用 MaxKB
模型设置
首先在系统环境变量中配置 OLLAMA_HOST，将其值设为 0.0.0.0（这样才能允许外部访问 Ollama 服务）。配置完成后重启 Ollama 服务。
回到 MaxKB 页面，登录后点击右上角的“系统设置”，然后选择左侧的“模型设置”，点击“添加模型”。在弹出的对话框中，模型选择 Ollama，然后按照界面提示填写相关信息即可。
创建应用
点击顶部菜单的“应用”，进入应用管理页面，再点击“创建应用”。根据引导完成设置后，就可以在应用列表中看到刚创建的应用。点击该应用，选择“演示”，即可开始对话测试。
创建知识库
打开“知识库”页面，点击“创建知识库”。在创建过程中，可以设置分段规则，比如段落长度、重叠字符数等，这些会影响知识库的检索效果。创建完成后，回到应用设置页面，将刚才创建的知识库关联到应用。这样，当你通过该应用进行 AI 对话时，系统就会自动检索知识库中的内容来生成回答。一个简单的个人知识库问答系统就搭建好了。
如果想要创建多个不同主题的知识库，只需重复上述步骤——新建一个应用，再关联对应的知识库即可。
