使用MaxKB及deepseek搭建本地AI知识库

最新推荐文章于 2025-05-15 14:10:01 发布

原创

最新推荐文章于 2025-05-15 14:10:01 发布 · 517 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能

序

本文主要研究一下如何MaxKB及deepseek搭建本地AI知识库

步骤

拉取MaxKB镜像

docker pull cr2.fit2cloud.com/1panel/maxkb

如果拉取不下来就用docker.1ms.run/1panel/maxkb

启动MaxKB

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 \
docker.1ms.run/1panel/maxkb

启动之后访问http://localhost:8080/
用户名: admin 密码: MaxKB@123…

设置模型

系统设置–>模型设置–>添加模型，这里添加ollama的deepseek-r1:8b，其中API URL设置为http://host.docker.internal:11434，API KEY随便设置一个就行
在这里插入图片描述

设置知识库

创建知识库–>向量模型为maxkb-embedding，知识库类型为通用型，之后上传文档，可以选择文本文件、表格、QA问答对，之后执行向量化

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

hello_ejb3

关注关注

3
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

MaxKB 结合 DeepSeek 实现基于 LLM 大语言模型的知识库问答系统

ws_zzzz的博客

07-08

5744

性能卓越DeepSeek-V2模型参数量达到了惊人的236B，每个token激活21B参数，支持长达128K token的上下文长度，性能直逼GPT-4-Turbo。在中文综合能力评测中，DeepSeek-V2超越了所有开源模型，与GPT-4-Turbo等行业巨头处于同等水平。在英文综合评测中，与最强的开源模型LLaMA3-70B处于同一梯队，超过最强MoE开源模型Mixtral8x22B。在知识、数学、推理、编程等多个领域的专项基准测试中均表现出色。低成本高效能。

deepseek+ollama+maxkb部署自己的本地知识库详解【纯玩-详解】

python|大数据爱好者Alvin

02-19

1585

deepseek+ollama+maxkb部署自己的本地知识库详解

参与评论您还未登录，请先登录后发表或查看评论

Ollama+DeepSeek+MaxKB搭建本地知识库

wal1314520的博客

02-19

4041

基于上面的步骤，我们就成功部署了MaxKB，下面我们就要开始创建本地知识库，这部分相对就比较简单了，可以参考MaxKB官网文档（https://maxkb.cn/docs/quick_start/）进行查看。希望我的这篇文章，能够帮助小伙伴们搭建本地化的知识库，MaxKB是一个开源工具，也可以用别的替代它的功能，现在市面上的几个开源的都差不多，选择一个自己喜欢的就好。直接点OK按钮就进入安装了。登录后主界面如下，一般流程是创建知识库，再配置本地大模型，最后创建应用，就完成本地知识库的搭建了。

MaxKB结合DeepSeek快速构建客服企业知识库

青云小轩

03-06

1431

本文详细介绍了MaxKB部署与ollama部署以及知识库配置等

使用MaxKB搭建本地企业级知识库

gaomin_721的博客

03-02

2617

本文详细描述了在 Ubuntu 虚拟机中部署 MaxKB 并连接本地 Ollama 模型的完整流程。

基于开源MaxKB构建大语言模型的本地知识库系统（附教程）

Y525698136的博客

02-14

1439

MaxKB是一款基于LLM（Large Language Model）大语言模型的知识库问答系统。MaxKB的产品命名内涵为“Max Knowledge Base”，为用户提供强大的学习能力和问答响应速度，致力于成为企业的最强大脑。

MaxKB+Ollama+DeepSeek1.5B部署知识库

余金兑人的技术角落

02-25

1397

记录了知识库搭建过程，MaxKB+Ollama+DeepSeek。

使用MaxKB部署本地知识库问答系统

测试开发小记

04-17

1057

在人工智能技术飞速发展的今天，搭建一个本地化知识库问答系统已成为企业和个人高效管理信息的利器。作为一款基于大语言模型和 RAG 的开源知识库问答系统，支持对接多种大模型，包括本地私有大模型（DeepSeek R1 / Llama 3 / Qwen 2 等）、国内公共大模型（通义千问 / 腾讯混元 / 字节豆包 / 百度千帆 / 智谱 AI / Kimi 等）和国外公共大模型（OpenAI / Claude / Gemini 等），无需编程基础即可快速部署。在中介绍了如何在自己的电脑上本地部署。

【实际动手】搭建MaxKB 大模型和 RAG 的知识库问答系统

longxiaotian718的博客

10-29

3948

MaxKB，作为企业级知识库问答系统，以其强大的功能和灵活的部署方式，为企业提供了一种高效、智能的信息处理方案，更在AI技术的持续进步中展现出无限的潜力。它通过深度整合自然语言处理和机器学习技术，使得企业能够轻松应对数据洪流，实现信息的快速检索、精准分析和智能决策。展望未来，随着AI技术的进一步发展，MaxKB有望在知识管理和智能问答领域发挥更大的作用。它将继续推动企业知识资产的有效管理和利用，助力企业在激烈的市场竞争中保持领先。

手把手教你使用 MaxKB 和 Ollama 搭建本地专业知识库

weixin_43794223的博客

03-12

870

另外MaxKB和Ollama的工作原理，我觉得大家可以稍微了解一下啊，不建议延伸太多，如果有兴趣想深入了解的，我建议自己去Google或bing上查相关的资料（最懒的去百度一下也行），我这里主要是记录如何操作的过程，而不是对使用工具的研究和工具背后的技术细节进行研究，我就是拿来主义，工具只要原理符合我们的需求，结合我们自己的机构化思维或结构布局，直接组合选择的一堆工具，它们集成到一起能运行就行了。它们的结合正好可以满足知识库的核心需求：MaxKB负责知识库的管理和检索，Ollama负责提供AI模型的支持。

deepseek+MaxKb构建企业本地知识库

m0_58046481的博客

02-21

1000

在拉取镜像是可能会出现失败的情况，只需要更换拉取镜像源即可解决，将镜像源更改为https://docker.1panel.live。本博客详细介绍如何使用deepseek+MaxKb来构建企业自己的知识库，让用户能够在自己的服务器上搭建自己的本地知识库。1.拥有一个自己的服务器，在阿里云网站上随便购买一个属于自己的服务器，这里我的服务器是Ubuntu系统的服务器。tips：接下来就是自由发挥的时间了，但最重要的一点，在知识库创建成功后不要忘记将文本进行向量化哦！安装过程中需要设置自己的密码，安全端口等。

Windows下安装ollama+deepseek+maxkb

水梦雪幻

02-26

1137

1、安装ollama：https://ollama.com/download2、拉取deepseek本地模型：https://ollama.com/library/deepseek-r1:8b或者在命令行里面输入：ollama run deepseek-r1:8b。

基于大模型的本地知识库搭建（附安装包）

huang9604的博客

02-14

1140

本篇文章将介绍基于大模型来搭建本地知识库的流程。开源工具：MaxKB + Ollama

基于大模型的本地知识库搭建

weixin_72959097的博客

12-09

844

本篇文章将介绍基于大模型来搭建本地知识库的流程。开源工具：MaxKB + Ollama。

【AI大模型】教你如何构造自己的AI知识库（本地知识库+大模型+工作流构建AI应用）

热门推荐

小白一枚～

11-05

1万+

本教程详细介绍如何结合 MaxKB 和 Ollama 快速搭建本地知识库问答系统，集成大语言模型，实现企业级智能问答功能，支持安全、高效的知识管理应用。

可以用MaxKB + Ollama搭建本地知识库，再建设一个交互界面，可以提问题然后实现本地知识库和deepseek融合回答么

03-25

<think>好的，我现在要帮助用户了解如何使用MaxKB和Ollama搭建本地知识库，并集成DeepSeek实现交互式问答。首先，我需要整理用户提到的引用内容，看看里面有没有关键步骤或者需要注意的地方。根据引用[1]，MaxKB支持与Ollama这样的本地私有大模型结合，快速部署本地知识库系统。这说明MaxKB和Ollama的整合是可行的，用户需要先安装这两个工具。引用[2]提到了一篇详细的部署教程，可能涉及具体的安装和配置步骤，比如环境准备、模型加载等。引用[3]则指出DeepSeek-R1的最大token数为8192，这可能在后续配置模型参数时需要特别注意，避免超出限制。接下来，我应该分步骤来解答用户的问题。首先需要安装Ollama和MaxKB，然后配置模型，接着集成DeepSeek。需要注意的是，Ollama负责本地模型的运行，而MaxKB作为知识库管理系统，需要连接到Ollama提供的模型服务。可能还需要在MaxKB中添加Ollama作为模型供应商，并设置相应的API地址。用户可能遇到的难点包括环境配置是否正确、模型是否成功加载、以及如何确保MaxKB正确调用DeepSeek模型。需要提醒用户检查服务是否正常启动，端口是否开放，以及模型名称是否正确。此外，测试交互界面是否能够正确生成回答，并引用本地知识库的内容，这也是关键的一步。最后，要确保回答结构清晰，步骤详细，并且引用相关的资料来支持每个步骤的正确性。同时，生成的相关问题需要围绕部署过程中可能遇到的疑问展开，帮助用户进一步解决潜在的问题。</think>以下是使用MaxKB和Ollama搭建本地知识库并集成DeepSeek的完整方法指南： ### 一、环境准备 1. 安装Ollama（版本≥0.1.28） ```bash curl -fsSL https://ollama.com/install.sh | sh ollama serve ``` 2. 部署MaxKB（推荐使用Docker方式） ```bash docker run -d --name=maxkb -p 8080:8080 -v ~/.maxkb:/var/lib/postgresql/data 1panel/maxkb ``` ### 二、模型配置 1. 加载DeepSeek模型到Ollama ```bash ollama run deepseek-ai/deepseek-r1 ``` 2. 验证模型加载 ```bash curl http://localhost:11434/api/tags ``` 注意模型最大上下文长度设置为8192 tokens[^3] ### 三、MaxKB集成配置 1. 登录MaxKB管理界面（http://IP:8080） 2. 进入「模型设置」→「添加模型」 3. 选择Ollama提供商： ``` API地址：http://ollama-host:11434 模型名称：deepseek-r1 最大token：8192 ``` ### 四、知识库构建 1. 创建知识库→上传文档（支持PDF/DOCX/TXT） 2. 配置分词策略： ```python # 示例分词函数 def split_text(text, chunk_size=512): return [text[i:i+chunk_size] for i in range(0, len(text), chunk_size)] ``` 3. 启用混合检索模式（语义+关键词） ### 五、交互界面开发使用MaxKB提供的API实现问答接口： ```python import requests def ask_question(question): headers = {"Authorization": "Bearer API_KEY"} payload = { "question": question, "model": "deepseek-r1", "temperature": 0.7 } response = requests.post("http://maxkb:8080/api/v1/chat/completions", json=payload, headers=headers) return response.json()["choices"][0]["message"]["content"] ``` ### 六、验证流程 1. 检查知识库引用标记 ```json // 响应示例 { "answer": "...[本地知识库内容]...", "references": [ {"doc_id": "001", "segment": "3.2.1"}, {"doc_id": "005", "segment": "1.4"} ] } ``` 2. 执行压力测试（建议使用Locust工具）