企业官网建设流程全解析

佳木斯建设局网站,二手书籍交易网站开发方式,wordpress 页面归类,怎么进wordpress我介绍了自己使用 Obsidian 结合 PARA 方法论搭建起了自己的本地知识库#xff0c;同时介绍了如何使用 Gemini CLI 让 Obsidian 有了强大的 AI 能力。 虽然 Gemini 很强#xff0c;但它毕竟是云端模型#xff0c;将私人的笔记数据发送到云端始终是许多人心中的一根刺。 今…我介绍了自己使用 Obsidian 结合 PARA 方法论搭建起了自己的本地知识库同时介绍了如何使用 Gemini CLI 让 Obsidian 有了强大的 AI 能力。虽然 Gemini 很强但它毕竟是云端模型将私人的笔记数据发送到云端始终是许多人心中的一根刺。今天来介绍下我是如何使用本地 Ollama Qwen 3 模型结合Obsidian构建真正的本地隐私 RAG检索增强生成知识库的。我的目标很明确打造一个完全离线、绝对隐私、且懂你的私人 AI 助理。为什么要 “完全本地化”Obsidian 的核心价值观是“Your data is yours”你的数据属于你。当我们把所有的思考、日记、工作计划都记录在这些 Markdown 文件中时它们就构成了我们的第二大脑。然而传统的云端 AI 助手存在天然的悖论隐私泄露风险要让 AI 懂你就得把数据发给它发给它数据就离开了你的控制。网络依赖 非常依赖于在线网络如果断网就完全不可用。数据安全你的个性化模型在云端服务如果云服务停止运营个人训练的模型也就消失了。如果你有一台还不错的电脑那么构建本地 RAG知识库就完美解决了这个问题数据不出门推理在本地不仅安全又高效。我想要的是什么有了构建的想法接下来就是如何实施。其实一直以来我都渴望拥有一个能记忆个人敏感信息的智能体助理。我可以放心地将一些个人或家人的敏感数据交给它而它也能随时准确地回答我的提问。比如我可以问它“我爸妈的身份证号是多少”“我去年过年的年夜饭都吃了什么”“今年的车险我是什么时候缴的”“六一儿童节晚上我和孩子们聊了什么”涉及隐私的细节问题。因为我们使用 Obsidian 作为知识库所有的知识都存储在本地。配合 Thino 插件可以实现类似于 Flomo 的灵感记忆存储。我便将这个插件与日记功能结合起来专门用来记录生活中的琐事。之前一直没有找到实现这个目标的有效路径直到我使用 Obsidian 作为我的知识库我这个想法才真正的变成了现实。构建的底层原理什么是 RAG构建个人知识库智能问答体其实标准的做法那就是 RAG。什么是 RAGRAG (Retrieval-Augmented Generation检索增强生成)最简单理解是它给大模型LLM配了一个实时查阅的“外挂数据库”或“离线手册”。大模型虽然强大但有两个致命伤幻觉Hallucination没见过的数据它会一本正经地胡说八道。知识滞后它的知识停留在训练结束的那一天比如 2023 或 2024 年。RAG 的核心思想既然模型不能实时记住所有新知识那就在回答问题前先去“书架”上把相关的资料查出来贴在 Prompt 后面发给模型“请参考以下资料回答问题”。所以我们只要把我们的 Obsidian 本地知识库作为外挂知识库让本地的模型参考那他就可以基于这些知识回答我们的问题。但是一般的模型并不能直接读取原始的文档这中间需要一个对文档建立索引的过程也就是将文档向量化。具体的过程如下读取扫描 Obsidian 库中的 .md文件。切片把长文章切分成一个个小的文本块Chunks。嵌入 (Embedding)利用 BGE-M3 模型将这些文本块转换成高维向量。比如“Obsidian 插件配置” 这段文字会被转化成一组代表其语义的数字。存储将这些向量存入本地的 ChromaDB 数据库。完成这一步后我们的知识库内容就可以被大模型检索和识别了。接下来就是第二步大模型通过 RAG 的方式回答我们的私人问题。它首先会识别用户的问题把用户的问题也转成向量然后在 ChromaDB 中快速寻找与问题最相关的笔记片段Top-K。将找出的文档块拼接到 Prompt 中调用本地的推理模型生成答案我使用的本地推理模型是 qwen-corder3:30b。构建属于自己的 MyGPT构建本地知识库也有很多种选择也有些开源的产品选择比如 RAGFlow 或者 PrivateGPT。我个人是选择了自己开发有以下几个原因RAGFlow 虽然能力很强但是特别的重它需要跑 Docker启动一堆服务。PrivateGPT 虽然相对轻量但也需要一定的研究成本且最重要的是我希望能够进行高度的个性化定制。因此我用electron构建了一个 mac 原生的应用其中的核心模块之一就是 MyGPT。目前这个 MyGPT 已经完美实现了上述的个人知识库问答功能。未来我还计划加入工具调用功能从而实现真正的本地 Agent。如上图所示我可以问“我今年的取暖费交了没交了多少钱”它不仅能精准地告诉我答案还会列出原始文档的参考来源。点击这个参考来源可以直接跳转到 Obsidian 的原始文档这是许多其他 RAG 产品所无法做到的体验。利用同样的方法我也将吴军老师的一些内容制作成了知识库作为我的第三方外部知识库加以利用。我可以在做问答的时候选择加载的知识库。如何系统的学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“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也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的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。一直在更新更多的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】01.大模型风口已至月薪30K的AI岗正在批量诞生2025年大模型应用呈现爆发式增长根据工信部最新数据国内大模型相关岗位缺口达47万初级工程师平均薪资28K数据来源BOSS直聘报告70%企业存在能用模型不会调优的痛点真实案例某二本机械专业学员通过4个月系统学习成功拿到某AI医疗公司大模型优化岗offer薪资直接翻3倍02.大模型 AI 学习和面试资料1️⃣ 提示词工程把ChatGPT从玩具变成生产工具2️⃣ RAG系统让大模型精准输出行业知识3️⃣ 智能体开发用AutoGPT打造24小时数字员工熬了三个大夜整理的《AI进化工具包》送你✔️ 大厂内部LLM落地手册含58个真实案例✔️ 提示词设计模板库覆盖12大应用场景✔️ 私藏学习路径图0基础到项目实战仅需90天第一阶段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…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。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】