知识库

CoderJia程序员甲

Cherry Studio搭建本地知识库，结合DeepSeek实现RAGCherryStudio 是一款集多模型对话、知识库管理、AI 绘画、翻译等功能于一体的全能 AI 助手平台。 CherryStudio 的高度自定义的设计、强大的扩展能力和友好的用户体验，使其成为专业用户和 AI 爱好者的理想选择。无论是零基础用户还是开发者，都能在 CherryStudio 中找到适合自己的AI功能，提升工作效率和创造力。

【大模型&算法工程】大模型应用工具化、忠诚度以及知识库场景下PDF双栏解析问题的讨论接触大模型久了，也慢慢探到一些大模型能力表现非常自然和突出的场景，比如AI搜索（依赖大模型的理解总结能力）、AI对话（即chat，依赖大模型的生成能力）、AI工具使用（即智能体，依赖大模型的规划能力），应该说目前主流应用就是围绕这三个点进行的，没有例外。比如近期推出的夸克超级框、manus智能体工具、ima知识库都是如此。

【FastGPT】利用知识库创建AI智能助手关于FastGPT的部署，官方提供了docker-compose方式的部署文档，如果使用的是podman和podman-compose的同学，可以参考这篇文章【FastGPT】Linux系统使用podman-compose方式部署指南

RAGFlow部署与使用（开源本地知识库管理系统，包括kibana配置）戳我访问RAGFlowRAGFlow 是一款基于深度文档理解构建的开源 RAG（Retrieval-Augmented Generation）引擎。它可以给我们搭建本地知识库，将用户的知识文档上传到RAGFlow后，通过文档切分、向量入库，在用户向大语言模型提问后，从数据库中检索与问题相关的文档，把查找到的知识库数据输入到对话大模型中再生成答案输出。

LLM - Dify（1.0.1）搭建本地私有RAG知识库完整指南访问： https://docs.docker.com/安装后如下LLM - 本地 Ollama 部署DeepSeek

系统架构设计师—案例分析—架构设计一般业务系统消息队列规则引擎流程引擎数据仓库编译器OSI协议，MVC架构，DDD架构，Cola架构。

ubuntu22.04安装RAGFlow配合DeepSeek搭建本地知识库RAGFlow 是一个基于对文档的深入理解的开源 RAG（检索增强生成）引擎。当与 LLM 集成时，它能够提供真实的问答功能，并以来自各种复杂格式数据的有根据的引用为后盾。

在笔记本电脑上用DeepSeek搭建个人知识库最近DeepSeek爆火，试用DeepSeek的企业和个人越来越多。最常见的应用场景就是知识库和知识问答。所以本人也试用了一下，在笔记本电脑上部署DeepSeek并使用开源工具搭建一套知识库，实现完全在本地环境下使用本地文档搭建个人知识库。操作过程共享出来，供大家参考。

物联全栈123

PDF扫描档智能方向识别：多模型投票机制的实践测试救活古典书籍RAG知识库搭建的过程中，扫描档pdf的支持和准确率一直是个大家都不愿主动提起的事情。我曾尝试用多模态解析书籍内容，但是发现它们对竖排文字判断失误率太高。需要明确告知排版形式。那么如何识别排版呢，给你一本心经金刚经古典书籍中医书籍该怎么有效识别排版并提取内容呢，今天聊聊我的测试。

FIT2CLOUD飞致云

MaxKB上架至阿里云轻量应用服务器镜像市场近日，MaxKB开源知识库问答系统已上架至阿里云轻量应用服务器镜像市场，目前是阿里云此类镜像市场中唯一推荐的AI应用镜像。

山河已无恙

基于 DeepSeek LLM 本地知识库搭建开源方案(AnythingLLM、Cherry、Ragflow、Dify)认知我站在人潮中央，思考这日日重复的生活。我突然想，如果有一天，垂老和年轻都难以惊起心中涟漪，一潭死水的沉闷，鲜花和蛋糕也撼动不了。如果人开始不能为微小事物而感动，那么地震山洪的噩耗想必也惊闻不了。如果活着和死亡的本质无异，那便没有了存在的意义。我没有快乐，也没有痛苦，只是麻木的置身于平静的绝望之中，和世界一起下沉。我甚至病态的渴望，心中掀起一场风暴或是海啸，将我席卷撕裂。可那片黑洞里什么也没有，它吞噬万物，它带走了我的生命情绪活力，我眼睁睁的看着，我对此无能为力。这一刻我明白了我看远山，远山悲悯。远山

RagFlow+Ollama 构建RAG私有化知识库在日常工作和学习中，我们时常会面对大量的PDF、Word、Excel等文档，需要从中查找特定的信息或内容。然而，传统的Ctrl+F搜索方式在面对海量文档或复杂格式时，往往效率低下，令人头疼。如果使用MaxKb 工具，它将彻底改变你处理文档的方式。

Github 开源 AI 知识库推荐今天来聊聊那些好用的 GitHub 上开源的 AI 知识库。这些项目不仅能让开发者们快速上手，还能帮助我们解决实际问题，甚至让我们的应用更加智能化。它们为企业、开发者和研究人员提供了强大的工具，用于管理和查询海量的知识信息。废话不多说，直接进入正题吧！

大龄码农有梦想

Springboot集成Spring AI和Milvus，验证RAG构建过程在当今信息爆炸的时代，如何高效地管理和利用海量的知识数据成为了企业和开发者面临的重大挑战。基于AI的大模型和检索增强生成（RAG, Retrieval-Augmented Generation）技术为这一难题提供了全新的解决方案。通过结合向量数据库、Embedding技术以及先进的大语言模型，我们可以构建一个强大的本地知识库系统，并实现高效的检索增强生成流程。

Flowith.io 初探：DeepSeek-R1免费用，用画布式 AI 提升效率和创意介绍了 Flowith.io，一款创新的画布式 AI 平台，旨在提升效率和创意。它通过独特的画布交互、Oracle AI 系统、知识花园和丰富的模型选择，为用户提供全新的 AI 体验。画布交互打破线性思维，Oracle AI 帮助任务拆解与执行，知识花园构建知识图谱，多种 AI 模型满足不同需求。Flowith.io 适用于内容创作、学术研究、团队协作等多种场景。新手可享受免费试用和T-2模型免费使用。 Flowith.io 代表了 AI 交互的新方向，值得探索。

百年孤独百年

Windows中使用Docker安装Anythingllm，基于deepseek构建自己的本地知识库问答大模型，可局域网内多用户访问、离线运行我习惯在CMD中运行命令，我看一些教程使用Docker安装Anythingllm时在Power Shell中。

Dify - 创建 RAG Workflow 及 Restful HTTP 请求本文参考视频教程：五里墩茶社 : Dify聊天工作流 | 基于私有知识库和搜索引擎，构建高质量RAG聊天应用 https://www.bilibili.com/video/BV19E4m1R7c2/

佛州小李哥

亚马逊云科技Bedrock知识库自定义语义搜索配置教程借助亚马逊云科技的Amazon Bedrock知识库功能，我们可以安全地将Amazon Bedrock中的基础模型连接到我们的私有数据，实现检索增强生成（RAG）。给知识库挂载额外的数据有助于模型生成更相关、基于上下文的准确响应，而无需重新训练AI模型。

DeepSeek RAGFlow构建本地知识库系统DeepSeek RAGFlow 构建本地知识库系统请参考DeepSeek专题1 DeepSeek windows系统部署详解

13.快速构建领域知识库的完整指南：结合 ChatGPT 与 Python 提升效率随着技术领域的不断扩展，开发者面临的信息量也与日俱增。构建领域知识库的核心目标是将分散的知识结构化，使其具有以下特点：