本文介绍了使用Ollama+ChromDB+DeepSeek-R1:7b组合本地部署RAG问答系统的方案，并分析了自主开发与主流RAG框架（AnythingLLM、Cherry Studio、RAGFlow）的优缺点及适用场景。重点讨论了大模型配置、向量数据库选型、Embedder选择策略及分块策略等关键配置维度，并给出了参数影响权重分级。旨在为开发者提供RAG系统搭建的实用指导，助力构建高效、安全的私有智能文档助手。

1、自主开发的优缺点

首先，毋庸置疑的一点是，针对企业级 RAG 部署方案的选择，需结合开发成本、功能需求与运维复杂度综合评估。

自主开发的明显优势是，可以完全自主掌控检索流程（比如可以定制冲突检测算法与多源排序逻辑等），支持动态调整文本分割策略（chunk_size=800, overlap=50）适配不同文档类型，最后就是轻量化运行，最低配置仅需约 2GB 内存即可运行，适配集成显卡环境。

但问题也很明显，首先是企业级功能缺失，缺乏权限管理体系（如 AD/LDAP 集成），无审计日志与操作追溯模块等。另外扩展性限制也有明显局限性，单机部署架构，无法横向扩展处理高并发请求，也没有增量更新机制（每次需全量更新文档向量，仅指当前项目）。

2、主流框架对比分析

那有哪些现成的框架可以参考呢？

基于低成本、易部署、数据安全三个方面特点，并结合开源特性，经过个人初步测试，选择了AnythingLLM、Cherry Studio和RAGFlow这三个框架为大家举例说明，综合对比如下：

1. Cherry Studio - 轻量原型工具

核心优势：桌面端零配置运行，集成 30+开源模型（含 3B-70B 参数级别），支持离线问答；

适用场景：5 人以下小微团队快速验证创意，如独立设计师的素材灵感库、初创公司的竞品分析。

2. AnythingLLM - 全栈私有化方案

核心优势：MIT协议允许商业闭源二次开发，内置企业级权限体系，支持 200+文档格式解析；

适用场景：10-50 人规模企业构建私有知识库，如法律事务所的案例库、制造企业的工艺文档库。

3. RAGFlow - 深度文档引擎

核心优势：专利级文档语义理解（DeepDoc 技术），支持表格/图表内容提取，准确率超 92%；

适用场景：金融/科研机构处理复杂格式文档，如上市公司的财报分析、学术论文知识图谱构建。

3、关键配置维度推荐

诚然，每个框架各有其特色和局限，本篇以作者比较熟悉的 AnythingLLM 为例，从大模型配置、向量数据库选择、Embedder首选项、分块策略等四方面，介绍下配置维度初步推荐。

需要说明的是，以下只做个人经验总结的泛泛讨论，不涉及具体场景或项目案例，如有明确实施需求的盆友可以评论区讨论操作细节，当然也欢迎找我私聊交流。

3.1、 模型选择配置

关于本地部署模型与商用API的选择需权衡第三方可能缓存请求数据的风险，如OpenAI默认保留API数据30天。But, 如果你不是调用境外LLM api，或者你的数据又不是那么敏感，初期测试阶段个人建议还是尽量使用商业API，比如DeepSeek-r1或者V3，亦或者最新的Qwen 2.5 Max。

毕竟，在保证基座模型的推理能力水平的前提下，才能更好控制变量法去耐心做下述几个工程化调优。

当然还有混合部署方案，对于需兼顾性能与安全的场景，核心业务使用本地模型，边缘场景可审慎评估商用API：

# 敏感数据处理流程示例
企业数据库 → 本地向量化（FastEmbed） → 私有知识库 → 商用API（经脱敏处理）

3.2、向量数据库选型

除上述三个本地VC外，还有云端部署场景需要考虑，这里以Pinecone和Qdrant为例：

Pinecone：适合需要弹性扩展的企业级应用，支持自动索引优化，但需注意API调用成本；Qdrant：开源方案中HNSW算法性能最优，支持混合检索（关键词+向量）

有盆友在上篇帖子里问了哪种向量数据库比较好，这个问题当然要取决于特定的业务背景。个人经验有限无法完整回答，就贴一个在reddit上找到的图片，大家可以做个参考：

3.3、Embedder 选择策略

1. 敏感数据场景:

本地模型优先：ollama部署的nomic-embed-text（4.8GB显存需求）或all-MiniLM-L6-v2（CPU运行）；

性能对比：

# 嵌入速度测试（千字/秒）
all-MiniLM-L6-v2: 780 (CPU)
text-embedding-3-small: 1200 (GPU)

2. 非敏感数据场景：

OpenAI API：text-embedding-3-large在MTEB基准测试中准确率91.2%，但需配置API调用审计策略；

混合部署策略：

graph LR
敏感数据-->本地嵌入模型
公开数据-->云端API
检索结果-->安全聚合模块

3.4、 分开策略优化方案

文本分块大小和重叠大小直接决定了检索器（Retriever）能够提供给生成器（Generator）的上下文质量：

• 块大小：较大的分块可以保留更多上下文信息，但可能导致信息稀释，降低检索精度；较小的分块则可能导致重叠不足，而易造成上下文断裂。

• 重叠大小：适度的重叠有助于保持跨块的语义连贯性，但过多重叠会增加冗余，降低检索效率。

上表是根据个人近期实践结合网上搜索做的整理，仅供参考。分块大小与业务场景强相关，没有普适最优解。一般而言，分块策略的调整依据是：

复杂文档（如法律条款）：块大小建议 4096，重叠 512。

短文本（如对话记录）：块大小建议 1024，重叠 256。

在此基础上，还应该根据自定义的质量评估指标设计动态调整机制，例如：检索召回率<85% → 增大块重叠（每次+10%）。生成结果偏离度>30% → 减小块大小（每次-25%）。

4、核心影响要素分级

根据 Perplexity 检索的相关实证研究显示（我没看），各参数对输出效果的影响权重可量化如下：

Towards Understanding Retrieval Accuracy and Prompt Quality in RAG Systems

https://arxiv.org/html/2411.19463

分块策略（权重 35%）

块大小直接影响信息完整性，法律文档建议 4096 字符重叠量优化上下文保留，代码类数据最佳重叠率 12.5%;

嵌入模型适配（权重 30%）

领域专用词表覆盖率需>85%混合嵌入方案可提升跨模态检索准确率 23%

重排序机制（权重 25%）

BGE 重排器使 MRR@5 提升 41%动态阈值过滤减少噪声文档干扰

提示工程（权重 10%）

CoT 提示策略在 QA 任务中提升 F1 值 17%结构化模板降低代码生成错误率 32%

如何学习大模型 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。

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】

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

大模型入门到实战全套学习大礼包

1、大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

---

2、大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

3、AI大模型最新行业报告

2025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。

4、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

5、大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

适用人群

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】