目录

一、前言

二、使用Ollama安装文本嵌入模型

​三、搭建本地知识库

一、前言

        前面我们安装好了Dify和Ollama之后，现在我们可以开始搭建自己的本地知识库了。没安装的可以看博主前面的文章：Dify+Ollama实现本地化部署DeepSeek-CSDN博客

二、使用Ollama安装文本嵌入模型

1.什么是文本嵌入模型
        文本嵌入是一种将文本转换成固定长度的数值向量的技术。这种表示方式有助于机器学习算法更好地理解和处理人类语言。文本嵌入的目标是将相似意义的词或句子映射到接近的空间位置上，以便于计算它们之间的相似度或其他关系。
2.文本嵌入模型的作用
        语义搜索：通过比较查询与文档的嵌入向量，找到最相关的文档。
        推荐系统：根据用户兴趣的嵌入向量推荐产品或内容。
        情感分析：通过分析文本嵌入向量中的模式识别正面、负面或中立的情感倾向。
        问答系统：帮助理解问题并从大量文本中找到最合适的答案。
        文本分类：自动对文本进行分类，如新闻文章的主题分类等。
3.如何高效选择RAG的Embedding模型
        打开Ollama官网：Ollama，点击上方的Models，选择Embedding

• nomic-embed-text高精度检索，适合简短问题,
• mxbai-embed-large快速处理大规模数据
• snowflake-arctic-embed实用且平衡的选择
  根据自己的硬件配置选择一个合适的模型，这里我选择mxbai-embed-large来做演示。

4.部署mxbai-embed-large本地模型

        点击mxbai-embed-large，直接复制命令到终端执行，等待下载完成即可。

ollama pull mxbai-embed-large

 三、搭建本地知识库

        模型类型选择“Text Embedding”，模型名称填写“nomic-embed-large”，基础URL与添加deepseek模型的地址一样，然后点击保存即可。

 点击创建空白应用

 选择聊天助手，输入应用名称，点击创建

点击上方工具栏中的知识库，然后点击创建知识库

 选择准备好的知识库文件，支持多种格式，点击下一步，我这里简单的写了一点测试文本。

等待嵌入完成后，点击上方工具栏中的工作室，选择之前创建好的聊天助手，在上下文配置处点击添加按钮，选择上一步上传的知识库，点击添加即可。

现在按照我们上传的知识库中的内容，向deepseek本地模型发起提问，可以看到模型已完成了对知识库的学习，并准确的回答出了问题。