本地大模型构建知识库 Ollama + LobeChat + AnythingLLM

本地部署大模型，从选模型到搭RAG，一篇讲透

（本文封面图来源于unsplash）

在本地部署大模型搭建知识库，好处其实很直接：数据隐私安全有保障，不依赖网络，企业内部用起来踏实；更关键的是，模型和知识库都能按需定制，适配特定业务场景。既可以内部用，也能做成Server对外服务。

哪里可以获取大模型？

大模型种类多，版本更新也快，但所有流行的开源模型几乎都能在HuggingFace上下载。HuggingFace堪称AI模型圈的GitHub，70多万种模型覆盖多模态、计算机视觉、NLP、强化学习等领域，应有尽有。

通过HuggingFace的Libraries分类下的Transformers，就能看到模型的Trending流行趋势。目前Meta的Llama3系列、法国Mistral AI的Mistral系列、阿里的Qwen系列，是业内用得最广的开源模型。

横向评分测评也值得关注。下面这张图是三个模型的对比——阿里的通义千问Qwen2-72B在同等规模下表现最强。不过对国内用户来说，更推荐Qwen2的原因很简单：中文支持程度差异明显，Qwen2显然是更合适的选择。

Ollama、WebUI工具链

本地部署大模型需要运行框架，可选方案包括vLLM、LM Studio，但更推荐Ollama。它支持Windows、MacOS、Linux，能智能调配GPU和CPU资源加速推理，安装和管理各种模型（包括Qwen2）都非常方便。

Ollama的安装和模型部署很简单。官网下载安装后，一条命令就能部署Qwen2 7b模型：

ollama run qwen2

部署完成后默认只有命令行界面，但Ollama生态丰富，可以搭配WebUI工具实现聊天交互，也能基于API与应用程序和工作流集成。

WebUI方案不少，比如Open WebUI、NextChat。生态里还有个LobeChat，支持很多闭源模型API，也兼容云端和离线部署，用起来比较顺手。

本地用Docker安装LobeChat即可，关于如何在LobeChat中配置Ollama，官方文档有详细的说明。

RAG应用的构建

如果只是想要一个离线的聊天平台，前面这些已经够用。但既然选择本地部署，就不该止步于此——结合本地大模型、Ollama和个人或企业的内部资料（知识库），可以定制开发专属且私密的RAG应用。

RAG框架很多，比如RAGFlow、AnythingLLM、Verba、Flowise、Langflow、Quivr等，这里以AnythingLLM为例。它同样支持MacOS、Windows、Linux。安装完成后打开软件，在大模型服务商里选中Ollama，输入Ollama服务端地址（通过ollama serve开启）http://127.0.0.1:11434，就能看到之前安装的Qwen2 7b模型了。

设置完成后进入下一步，构建RAG的三要素——大模型、嵌入模型、向量数据库——AnythingLLM都已经帮你安排好了。

在工作区可以添加txt文本、代码文件、CSV、表格、音频文件、外部网页等等，还支持搜索和连接数据库。用AnythingLLM管理本地知识库，确实方便很多。

这种本地部署方式尤其适合需要离线运行、对知识库安全要求较高的企业内部场景。如果是中小企业，也可以考虑阿里云的百炼——部署更简单，硬件成本更低，而且目前token费用已经是白菜价了。