太强了！Ollama + MaxKB零代码本地搭建个人知识库AI应用，数据安全，还可以有权限控制！！

这种情况下，我们直接使用docker下载并启动MaxKB是无法成功的，此时我们需要让docker走我们的代理，去docker的官方仓储下载镜像。既然要系统的学习大模型，那么学习路线是必不可少的，下面的这份路线能帮助你快速梳理知识，形成自己的体系。下载模型默认走的是官网下载，有时候你的网络环境连不上官网，如果你通过代理可以链接官网，则先停止ollama的服务。作为普通人，入局大模型时代需要持续学习和

七七Seven～

672人浏览 · 2024-11-08 10:18:55

七七Seven～ · 2024-11-08 10:18:55 发布

零代码本地搭建AI应用

📚 借助开源的，大模型应用不再遥不可及 🚀

当提到“大模型”和“本地部署”，很多人可能第一反应是：“这是不是只有那些顶尖的技术大牛才能搞定？”

其实，随着开源工具的发展，构建自己的大模型和知识库已经变得轻而易举，就像请一个聪明的私人助理帮你处理日常任务一样简单。

Ollama 和 MaxKB 就是这样一对黄金搭档，借助它们，你不需要深厚的技术背景，也能在本地搭建一个强大的 AI 系统。接下来，我们将带你一步步实现这个目标，让复杂的技术变得像拼积木一样简单。

💻 Ollama 和 MaxKB AI应用初体验

从日常的简单问答到复杂的知识调取，我们先来看看实际的效果。

主页面：包括应用、知识库、函数库、管理
应用对话界面
知识库

🤖后端智能“助理” ：Ollama部署

Ollama 是一款开源的本地大模型应用工具，想象它就是一个超聪明的私人助理，随时待命为你解答问题。更重要的是，部署它并不像想象中那么复杂，只需几个步骤，你就可以让它在自己的设备上运行，数据完全掌控在自己手里。

下载安装 Ollama：为助理准备工作空间

要让助理为你工作，首先需要为 TA 准备一个“办公室”。这里的办公室就是 Ollama 的安装环境。我们会向你详细展示如何下载、安装和配置 Ollama，整个过程比你想象的要简单得多。

在线安装

如果你的网络条件允许，直接使用脚本安装：

curl -fsSL https://ollama.com/install.sh | sh

离线安装

安装命令

curl -L https://ollama.com/download/ollama-linux-amd64.tgz -o ollama-linux-amd64.tgz   sudo tar -C /usr -xzf ollama-linux-amd64.tgz

-C 后面的路径是安装目录，该路径根据自己的环境指定，需要注意目录权限问题，确保安装目录有权限。
如果没有curl命令，可以直接使用浏览器访问https://ollama.com/download/ollama-linux-amd64.tgz，即可将模型下载到本地。如果不能访问下载地址，则需要先解决网络问题。
可以使用命令ollama -v验证是否成功安装了ollama。

安装成功会返回版本号，我的版本是：
```
ollama version is 0.3.13   
```

启动 Ollama

ollama serve

安装成后后，直接使用上面的命令启动服务。
启动服务后，此时还未结束，需要安装大语言模型，本文章使用llama3

安装启动大语言模型，并开启对话框

 `ollama run llama3:8b`

执行该命令后，会去下载llama3的模型，2G左右
下载模型默认走的是官网下载，有时候你的网络环境连不上官网，如果你通过代理可以链接官网，则先停止ollama的服务。配置临时的代理(不需要账号的去掉即可)，然后重新启动：
```
export HTTP_PROXY="http://username:password@proxy.example.com:8080"   export HTTPS_PROXY="http://username:password@proxy.example.com:8080"   ollama serve   
```

🧠 本地知识库：MaxKB部署

有了聪明的助理，当然还要有一个系统化的知识存储和管理工具，这就是 MaxKB 的作用。它就像一个巨大的、智能化的文件柜，帮助你把所有知识条理清晰地归档，并且随时供助理调取。

在你的本地环境中安装 MaxKB 是创建这个超强“文件柜”的第一步。我们将逐步介绍如何通过命令行进行安装与配置。

docker安装

拉取镜像，并执行，官方的命令：

docker run -d --name=maxkb --restart=always -p 8080:8080 -v ~/.maxkb:/var/lib/postgresql/data -v ~/.python-packages:/opt/maxkb/app/sandbox/python-packages cr2.fit2cloud.com/1panel/maxkb

是可以启动的，但是连接不上我们的后端大模型llama3，需要修改命令，绑定主机网络，并且去掉端口映射。

docker run -d --net=host --name=maxkb --restart=always -v ~/.maxkb:/var/lib/postgresql/data -v ~/.python-packages:/opt/maxkb/app/sandbox/python-packages cr2.fit2cloud.com/1panel/maxkb

启动后，使用浏览器访问：localhost:8080，即可看到登录页面，输入默认的账号密码即可进入主页面。

用户名: admin
密码: MaxKB@123…

此时你就可以看到主页面了，和下面的区别是，第一次进入是没有应用的。

docker配置代理

我们有时候会遇到网络的环境无法访问docker的官方仓储，但是我们可以使用代理访问。这种情况下，我们直接使用docker下载并启动MaxKB是无法成功的，此时我们需要让docker走我们的代理，去docker的官方仓储下载镜像。

要在内网环境下通过代理访问 Docker，并使用 docker pull 下载容器镜像，你可以通过配置 Docker 的代理设置来实现。以下是详细的步骤：

步骤 1：获取代理信息

确保你已经有了代理的地址和端口，通常是类似于以下格式：

HTTP 代理：http://proxy.example.com:8080
HTTPS 代理：https://proxy.example.com:8080

如果代理需要认证，你也需要用户名和密码：

http://username:password@proxy.example.com:8080

步骤 2：配置 Docker 代理

你需要为 Docker 守护进程配置代理环境变量。Docker 使用 systemd 管理服务，所以你需要修改其服务配置。

打开或创建 Docker 的服务目录：

bash复制代码sudo mkdir -p /etc/systemd/system/docker.service.d

在该目录下创建一个名为 http-proxy.conf 的文件：

bash复制代码sudo nano /etc/systemd/system/docker.service.d/http-proxy.conf

在文件中添加以下内容，根据你的代理类型（HTTP 或 HTTPS）填写相关的代理地址。如果你有 HTTP 和 HTTPS 代理，两个都可以配置，有些：

[Service]   Environment="HTTP_PROXY=http://proxy.example.com:8080"   Environment="HTTPS_PROXY=https://proxy.example.com:8080"   Environment="NO_PROXY=localhost,127.0.0.1"

如果代理需要认证，请将地址格式改为带有用户名和密码的形式：

bash复制代码Environment="HTTP_PROXY=http://username:password@proxy.example.com:8080"   Environment="HTTPS_PROXY=https://username:password@proxy.example.com:8080"

保存并关闭文件。

步骤 3：重新加载 Docker 守护进程

完成配置后，你需要重新加载 systemd 配置并重启 Docker 服务。

重新加载 systemd 配置：

bash复制代码sudo systemctl daemon-reload

重启 Docker 服务：

bash复制代码sudo systemctl restart docker

知识管理信息按需归档

MaxKB 的强大之处在于它可以智能分类和整理各种信息。你只需要为它指引方向，剩下的归档工作 MaxKB 会自动完成。

先创建需要使用的知识库，流程皆有提示。
语料的整理：

建议使用markdown格式，做语料的文档
使用大模型优化语料，可以将你的原始资料，提供给大模型，让大模型帮你优化输出语料

创建属于你的应用

当 Ollama 和 MaxKB 配合起来，就像助理能够随时从文件柜中调取所需的资料。我们会引导你完成这两者的无缝整合，让系统智能化运作。

创建你的应用
新增本地后端大模型。
绑定创建好的知识库

保存并发布你的应用，你的知识库AI应用就已经搭建完成啦！！！

一、大模型全套的学习路线

学习大型人工智能模型，如GPT-3、BERT或任何其他先进的神经网络模型，需要系统的方法和持续的努力。既然要系统的学习大模型，那么学习路线是必不可少的，下面的这份路线能帮助你快速梳理知识，形成自己的体系。

L1级别:AI大模型时代的华丽登场

L2级别：AI大模型API应用开发工程

L3级别：大模型应用架构进阶实践

L4级别：大模型微调与私有化部署

一般掌握到第四个级别，市场上大多数岗位都是可以胜任，但要还不是天花板，天花板级别要求更加严格，对于算法和实战是非常苛刻的。建议普通人掌握到L4级别即可。