本文用于记录和描述如何在本地通过配置dify+firecral+ollama的方式来实现RAG知识库chatbot。

整个配置流程在macos15.5下完成，其他操作系统还请依据实际情况更改对应内容。

安装dify

git clone git@github.com:langgenius/dify.git

配置dify环境变量

 cd dify/docker cp .env.example .env

我们可以对dify参数进行调整也可以直接使用默认参数

运行dify

docker-compose up -d

默认运行在80端口

首次登陆需要配置admin密码信息

首次登陆后需要配置模型提供商，点击右上角头像图标，设置

选择模型供应商，选择你需要使用的模型，我这里配置使用ollama

选择添加模型，配置本地地址，确保你的ollama已经运行并且可以被访问。

curl http://192.168.31.157:11434/v1/models

正确的话会输出当前ollama已经下载的模型列表

配置模型

可以配置多个，并且配置embedding模型

安装firecrawl爬虫工具

使用firecrawl还需要安装nodejs和pnpm为依赖，还请提前安装

 git clone git@github.com:mendableai/firecrawl.gi

修改firecrawl参数

cd firecrawlcp apps/api/.env.example ./.envvi .env

修改两个内容

USE_DB_AUTHENTICATION=false

TEST_API_KEY=xxxxx  #记录该key后续配置会用上

启动firecrawl

在firecrawl的目录下运行

docker-compose up -d 

firecrawl运行成功 打开本地3002/test可以看到hello,world字样

打开dify，配置数据来源

api key使用刚才在env文件中所设置的内容

随后我们创建新的知识库

选择同步自web站点，我们以https://docs.dify.ai/zh-hans/guides为例子

限制数量设置为50，深度为3，代表让firecrawl抓取网页上最先出现的10个内容并且抓取这50个链接下的3层子目录

勾选删除所有url和电子邮件地址

选择混合检索，采用权重设置（本文不涉及RAG精度优化，暂不使用rerank模型）点击保存并处理。

我们可以看到知识库已经完成了创建并在embedding

embedding完成后我可以点击前往文档查看结果

可以看到利用firecrawl抓取的网页embedding所生成的文档

现在我们来创建一个新的应用，选择chatflow

在给出的模板基础上修改，在开始和llm中间增加知识检索节点

选择引用知识库，使用我们刚才创建的库

随后修改llm模型节点

修改温度（默认0.7）降到较低的值，使其回答更为稳妥。

上下文选择知识检索节点的result

在system prompt中输入 根据下面的检索结果回答用户问题 调用sys.query变量 并调用上下文

我们选择预览，输入一个问题

如何配置embedding模型？

可以看到在思考的过程中引用了知识库的内容

回答的内容符合预期，可以发布了

我们选择发布。

点击运行，可以看到单独的chatbot页面，我们再次提问

如何配置插件？

可以看到对应的流程，符合预期。

当然我们也可以选择把chatbot嵌入到网站中，可以在发布下获取对应的代码。

  如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、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。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​