前言

如何本地部署Ai大模型？如何将大模型商业化并且应用到企业上？相信这是不少朋友非常关心的话题。

今天我就来教大家用Docker+Ollama+Dify打造一个本地的，免费的，企业级的知识库问答系统。

一、使用Ollama本地部署Ai大模型

咱们根据自己电脑的系统，直接从ollama的官网：https://ollama.com/download 下载对应的安装包并安装.

将软件安装好之后先不用管它，咱们接着回到ollama的模型介绍页面：https://ollama.com/library

image.png

这个里面有几十种不同的模型可以选择，比如大家熟悉的 llama3 、phi3、qwen等等。

这里咱们根据自己电脑的配置自己选择合适的模型，优先推荐的是llama3，咱们点击llama3。

image.png

在这个窗口，左边是llama3对应的模型参数，右边是在终端执行的命令，将右边的命令复制下来。

ps:这里建议电脑显卡好（有4090）的朋友一定要选 llama 3 70b 这款模型，其次是 llama 3 8b。不要问我为什么,因为我选的是 qwen:14b,但是最后测试出来的效果真的是差强人意,看到后面你们就知道了。

在电脑桌面的菜单栏输入框中输入：cad 并回车，进入到命令提示符窗口。

image.png

我们将刚刚复制的命令粘贴进来并按回车，电脑就会哐哐哐开始下载并部署模型包了。

image.png

等待模型包部署完成后，我们需要检查一下是否成功，还是在命令提示符窗口，我们输入：ollama list

image.png

由于我一开始选的是 qwen:14b 这个模型，所以ollama只列出了 qwen:14b ，如果你选的是 llama 3 8b ，那么这里也会显示 llama 3 8b ，如果没显示你就要检查你之前的步骤了。

在Docker上部署Dify

咱们从Docker的官网：https://www.docker.com/products/docker-desktop/ 直接下载并安装好 docker 桌面端程序。

然后咱们还是打开命令提示符窗口,接着输入这段命令：git clone https://github.com/langgenius/dify.git 并按下回车，系统就会开始自动从Github上下载Dify的资源包。

等待它下载完成后，在同一个窗口中输入：cd dify 并按下回车，然后接着输入：cd docker 再按一次回车，再输入：docker compose up -d 再次按下回车键。

image.png

等待命令执行完成后，我们打开桌面上的 docker ,可以看到里面已经新增了一个容器，在最下面有一个 ndinx-1 ，我们直接点击它右边的那个端口。

image.png

这时浏览器会弹出 dify 的登录页面，大家需要先注册一下，接下来的配置，大家按下面视频里面的一步一步来。

.gif

特别要注意一下，模型供应商那里一定要选 ollama ，然后再ollama的配置页面里，模型名称必须填你之前在ollama里面部署好的模型包的名称，如果你不知道是什么，直接在命令提示符窗口输入：ollama list 并回车，页面上就会列出所有的模型包名称。

因为我一开始部署的是qwen:14b，所有模型名称那里我也填qwen:14b,基础URL跟我的配置保持不变，填：http://host.docker.internal:11434，最后记得点保存。

在Dify上创建知识库

然后我们要开始准备创建知识库啦，这里我是直接用 claude 3 sonnet 帮我随便写了一个txt文档的数据集，不要问为什么，问就是懒，哈哈哈。

image.png

Claude 3.png

实际使用过程中，大家手里的数据可能是一些 pdf、PPT 之类的文件，这些文件可能是关于产品信息呀、员工培训呀、客户资料呀之类的。

但是我建议一定要把它们处理成QA形式的文本文件，因为大模型对文本的识别效果是比 pdf、PPT 好非常多的，这样才能保证你知识库中的信息能够被正确检索到，咱们可以直接交给kimi处理。

png

image.png

咱们将处理好的数据集上传上去，然后分段设置那里选择自动分段与清洗，索引方式那里选择经济型，最后保存并处理。

接下来，咱们来创建一个应用助手，请跟着视频操作

3.gif

测试

好，咱们直接来测试，看看这个应用助手对知识库中的信息召回准确度怎么样，我们先测试 qwen:14b 这个模型，可以看到第一个问题虽然它没有完全按照知识库中的答案去输出，但是它输出的答案意思还是一样的，也算过关。

image.png

然后我又从数据集的末尾找了个问题丢给 qwen:14b ，结果这货给出的答案大大出乎我的意料，这才不到20K大小的数据集呀，它就已经检索不到答案了，开始自己胡编乱造。

image.png

要知道我们现实中的数据文件比这大多啦，可能是1M,也可能是10M或者是100M,那它更加处理不了了呀。

然后我们再看看llama 3 8b的表现如何，还是同样的问题，回答完全正确，而且是按照原始的答案一板一眼的输出的。

image.png

image.png

在中文环境的测试下，通义千问14b参数的大模型，输给了国外的8b参数的llama 3，而且llama 3的中文训练语料是非常少的那种，这你敢相信？我只能说国产大模型别天天喊赶超GPT-4，一定要正视差距，先沉淀下来搞技术吧。

建议有条件的朋友还是选择llama 3 70b的模型，它的表现会更好

这里说一下，dify还支持将应用嵌入到第三方网站上，我只能说一声：卧槽，牛

100.gif

如何学习AI大模型 ？

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）

👉4.大模型落地应用案例PPT👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（全套教程文末领取哈）

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）