本文介绍了如何搭建本地运行的私有知识库利用RAG技术使AI基于本地文档而非云端记忆回答问题。文章详细介绍了三款本地RAG工具AnythingLLM、PrivateGPT和Dify并对比了它们的上手难度、隐私程度、功能丰富度和资源占用。推荐个人用户使用AnythingLLM快速搭建企业用户可考虑PrivateGPT或Dify。文章还提供了使用AnythingLLMOllama搭建本地知识库的实操步骤并分享了提升RAG效果的5个技巧。你有没有遇到过这样的场景公司有大量内部文档、产品手册、技术规范想让 AI 帮忙检索和问答但又不敢把这些敏感数据上传到 ChatGPT 或其他云端服务这就是 RAG检索增强生成的用武之地——让大模型基于你自己的文档来回答问题而不是靠它的记忆瞎编。今天这篇文章我会带你从零搭建一套完全本地运行的私有知识库数据不出你的电脑用到的工具全部免费开源。什么是 RAG一句话说清楚RAG Retrieval-Augmented Generation翻译过来就是检索增强生成。原理很简单你上传文档PDF、Word、TXT 等系统把文档切成小块转成向量存起来你提问时系统先从向量库里找到最相关的段落把这些段落作为上下文交给大模型生成回答和直接问 ChatGPT 的区别ChatGPT 只能用它训练时学到的知识回答而 RAG 能让模型基于你的文档回答答案更准确还能告诉你出处。三款本地 RAG 工具横评目前主流的本地知识库方案有三个我都实际体验过帮你选AnythingLLM —— 推荐新手首选 ⭐一句话评价开箱即用桌面版零配置适合个人和小团队。有独立桌面应用Windows/Mac/Linux下载就能用内置 RAG AI Agent 向量数据库不用单独装一堆组件支持 30 种 LLM 接入包括 Ollama 本地模型支持 PDF、Word、TXT、网页等多种格式界面友好拖拽上传文档就行适合谁想快速体验本地知识库的个人用户不想折腾环境配置。PrivateGPT —— 极致隐私派一句话评价数据隔离最彻底适合企业内网和敏感场景。100% 本地处理数据绝对不外传基于 LlamaIndex 框架RAG 效果扎实支持 Ollama 和 llama-cpp 两种本地推理方式需要 Python 环境 命令行操作有一定门槛提供 API 接口方便二次开发适合谁对数据安全有严格要求的企业用户、开发者。Dify —— 团队协作之选一句话评价可视化工作流 RAG适合团队搭建 AI 应用。拖拽式构建 RAG 工作流不用写代码内置知识库管理、分块策略、多种检索模式支持 Agentic RAG智能体增强检索Docker Compose 部署需要 8GB 内存有完整的 API 和前端界面适合谁需要搭建面向客户的文档问答产品的团队。三者对比一览上手难度AnythingLLM最简单 Dify中等 PrivateGPT需命令行隐私程度PrivateGPT最高 AnythingLLM Dify功能丰富度Dify最全 AnythingLLM PrivateGPT资源占用AnythingLLM最轻 PrivateGPT Dify最重我的建议个人用户直接上 AnythingLLM10 分钟搞定。下面我就用 AnythingLLM Ollama 演示完整流程。实操AnythingLLM Ollama 搭建本地知识库第一步确保 Ollama 已安装如果你跟着我之前的文章装过 Ollama直接跳到下一步。没装的话# Windows去 ollama.com 下载安装包# Macbrew install ollama# Linuxcurl -fsSL https://ollama.com/install.sh | sh拉取我们需要的模型# 聊天模型推荐 Qwen3.5ollama pull qwen3.5:9b# 嵌入模型把文档转成向量用的ollama pull nomic-embed-text 嵌入模型很小约 274MB不占什么资源但对 RAG 效果至关重要。第二步安装 AnythingLLM去官网 anythingllm.com下载桌面版安装包。Windows 用户直接双击.exe安装Mac 用户拖到 Applications 就行。打开后会看到一个简洁的设置向导。第三步连接 Ollama在 AnythingLLM 的设置里LLM 设置→ 选择Ollama→ 模型选qwen3.5:9b嵌入模型→ 选择Ollama→ 模型选nomic-embed-text向量数据库→ 保持默认的LanceDB就行内置的不用额外安装Ollama 默认运行在http://localhost:11434AnythingLLM 会自动检测到。第四步创建工作区并上传文档点击左侧“New Workspace”创建一个工作区比如叫产品文档点击工作区设置里的“Upload Documents”把你的文档拖进去——支持 PDF、Word、TXT、Markdown、网页链接等点击“Move to Workspace”开始向量化处理处理完成后你就可以在聊天框里提问了第五步开始提问试着问几个问题“我们产品的退款政策是什么”“技术架构用的是什么数据库”“上季度的销售数据有什么趋势”AnythingLLM 会先从你上传的文档里检索相关段落然后让 Qwen3.5 基于这些内容生成回答。你会看到回答下方还标注了引用来源。进阶提升 RAG 效果的 5 个技巧搭起来容易用好不简单。这几个技巧能显著提升问答质量1. 文档预处理很重要垃圾进垃圾出。上传前建议去掉页眉页脚、目录、版权声明等无关内容表格数据转成文字描述效果更好长文档拆成按章节的小文件2. 选对嵌入模型nomic-embed-text是目前本地嵌入模型里性价比最高的。如果文档主要是中文也可以试试bge-m3ollama pull bge-m33. 调整分块大小AnythingLLM 默认的分块大小是 1000 个 token。如果你的文档段落比较长比如法律合同可以调大到 1500-2000如果是 FAQ 类短文档调小到 500 效果更好。在工作区设置 → Document Settings 里可以调整。4. 用好引用模式在工作区设置里开启“Query Mode”模型只会基于文档内容回答不会用自己的知识补充。适合对准确性要求高的场景。5. 多文档分工作区不要把所有文档都扔进一个工作区。按主题分比如产品文档“技术文档”销售数据各建一个工作区检索效果更好。Docker 部署给团队用如果要给团队多人使用建议用 Docker 部署docker pull mintplexlabs/anythingllmdocker run -d -p 3001:3001 \ --name anythingllm \ -v anythingllm_storage:/app/server/storage \ mintplexlabs/anythingllmDocker 版支持多用户、角色权限管理适合团队场景。访问http://localhost:3001就能用。常见问题Q8GB 内存够用吗够。AnythingLLM 本身只占约 2GB 内存剩下的给 Ollama 跑模型。用qwen3.5:4b的话 8GB 完全没压力用 9B 模型建议 16GB。Q能支持多少文档理论上没有上限取决于你的硬盘空间。向量化后的数据占用空间很小几千份文档也就几个 GB。Q中文效果怎么样Qwen3.5 的中文能力很强配合nomic-embed-text或bge-m3嵌入模型中文文档检索效果不错。Q和在线的 Coze/扣子有什么区别最大区别是数据隐私——你的文档不会上传到任何服务器。其次是免费无限制不用担心 token 额度和会员费。代价是需要自己的电脑来跑。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】