- 综合排序
- 最热优先
- 最新优先
基于MaxKB搭建一个知识库问答系统
什么是MaxKB MaxKB 是一款基于 LLM 大语言模型的知识库问答系统。MaxKB = Max Knowledge Base，旨在成为企业的最强大脑。 开箱即用：支持直接上传文档、自动爬取在线文档，支持文本自动拆分、向量化，智能问答交互体验好； 无缝嵌入：支持零编码快速嵌入到第三方业务系统； 多模型支持：支持对接主流的大模型，包括本地私有大模型（如 Llama /目标服务器IP地址:目标端口 进入首页 默认的登录信息： 用户名：admin 默认密码：MaxKB@123… 设置默认模型 这里根据你常用的大模型，获取API-KEY填入即可 创建知识库 知识库类型： 通用型：允许上传文件，会自动将内容拆分为段，但经过本人测试，还需要对分段做进一步整理和细化，否则查询结果不会太理想。 创建应用 创建应用也很简单，填写名称和选择AI模型等，这里要注意选择关联的知识库。 使用应用 点击演示按钮进入使用 嵌入第三方应用
97500编辑于 2025-07-20- 来自专栏Lcry个人博客
开源 LLM 大模型知识库问答系统 FastGPT 部署教程
介绍 FastGPT 是一个基于 LLM 大语言模型的知识库问答系统，将智能对话与可视化编排完美结合，让 AI 应用开发变得简单自然。无论您是开发者还是业务人员，都能轻松打造专属的 AI 应用。 docker-compose -f docker-compose.pg.yml up -d 运行后等待所有容器健康，然后访问服务器IP:3000，使用默认账号密码root/1234登录系统设置即可。 答：默认部署访问地址为 IP:9000，默认账号密码为minioadmin/minioadmin 4、向量存储数据库这官方提供的不同版本我应该如何选择部署 答：按照官方推荐，PgVector版本适合知识库索引量在 总结 本文主要介绍了在 macos 使用 docker 部署 fastgpt 知识库问答平台，官方提供的编排文件中存在镜像未修改为最近导致跑不起来需要手动修改，这算是一个坑，总体体验下来 fastgpt
64910编辑于 2026-03-02 - 来自专栏深度学习自然语言处理
基于大语言模型LangChain框架：知识库问答系统实践
本文将重点介绍 LangChain 框架的核心模块，以及使用 LangChain 框架搭建知识库问答系统的实践。 大语言模型和组件通过“链（Chain）”连接，使得开发人员可以快速开发原型系统和应用程序。LangChain 的主要价值体现在以下几个方面。 知识库问答系统实践 大语言模型虽然可以很好地回答很多领域的各种问题，但是由于其知识是通过语言模型训练及指令微调等方式注入模型参数中的，因此针对本地知识库中的内容，大语言模型很难通过此前的方式有效地进行学习 通过 LangChain 框架，可以有效地融合本地知识库内容与大语言模型的知识问答能力。 基于 LangChain 的知识库问答系统框架如下图所示。 知识库问答系统的工作流程主要包含以下几个步骤。 （1）收集领域知识数据构造知识库，这些数据应当能够尽可能地全面覆盖问答需求。 （2）对知识库中的非结构数据进行文本提取和文本分割，得到文本块。
4.3K30编辑于 2024-01-25 - 来自专栏携程技术
深度学习系列 | 知识库上的问答系统：实体、文本及系统观点
其中，IBM研发的Watson系统就在与人类的答题比赛中获胜并首次获得100万美金奖励；苹果的Siri系统成功运行于iPhone之中，改变人与iPhone的交流方式；还有很多其它的公司也成功研发文字或语音的 QA系统，比如谷歌的Google Now、亚马逊的Alexa和微软的Cortana；另外，在医学上面如Health Care，QA系统也帮助医生与患者得到及时的交互。 QA系统依据其回答语料可以分为两类，一类是常见的纯文本形式，如网络文档、问答社区内容、搜索引擎结果、百科数据等。另一类则是知识图谱，通常以RDF三元组的形式结构化表示。 这些知识图谱的出现保证基于其的问答系统的覆盖率。所以当前，基于知识图谱的开放领域QA系统是可行的。 一、系统架构 QA系统分为三层架构模型，分别为实体、语言和应用层，如下图所示。 ? 在CGF举办的一个基于知识图谱问答的竞赛中，基于实体的问答成功率高达59%，如下图2所示。在QALD的测试中也获得了很高的准确率，如下图3所示。 ? ? ?
1.4K60发布于 2018-03-16 - 来自专栏素质云笔记
SparkDesk知识库 + ChuanhuChatGPT前端 = 实现轻量化知识库问答
上一篇 讯飞星火知识库文档问答Web API的使用（二） 把星火知识库搞明白了； 然后又花了时间学习了一下gradio的一些基础内容: 在Gradio实现两个下拉框进行联动案例解读：change/ + ChuanhuChatGPT前端 = 实现轻量化知识库问答 为什么有这个想法，是因为…笔者穷啊，没有GPU，搞不了Langchain-Chatchat；搞向量数据库麻烦；PDF文档分chunk也是个技术活 ，一个人做搞到头发花白了去 笔者设想的是，借大厂的力，随便拉个机器就可以实现大数据知识库，岂不是美哉 目前实现的效果： 目前需要的功能： 右侧改造【知识库】栏目 新增PDF【上传星火 】 的功能 新增根据上传文档进行【文档总结】功能 新增根据输入内容进行问答 【文档总结】和【文档问答】都在中间的对话框显示，且在对话的第一行显示[文档问答] [问答总结]的提示字样 当然你直接用大厂的也是可以的 ： 文章目录 1 星火知识库大致页面架构 2 文档问答的输出内容打在对话框中 1 星火知识库大致页面架构 详细可以参考：在Gradio实现两个下拉框进行联动案例解读：change/click/input
70110编辑于 2023-11-28 - 来自专栏AI SPPECH
05_用LLM创建知识库：从文档到智能问答系统
在本文中，我们将详细介绍如何构建一个完整的RAG系统，从文档处理到知识库构建，再到智能问答系统的实现，帮助你打造一个真正专业、可靠的AI知识库助手。 LLM的"幻觉"现象 领域知识的专业化：可以针对特定领域构建专业知识库 1.2 RAG系统的基本架构 一个完整的RAG系统通常包含以下几个核心组件： 文档处理模块：负责收集、清洗和预处理原始文档 知识库构建模块 return answer # 示例使用 answer = generate_answer(rag_prompt) print("生成的回答:") print(answer) 第4章：实战案例：从零构建智能问答系统 在本章中，我们将通过一个实际案例，展示如何从零构建一个完整的智能问答系统。 import FastAPI, HTTPException from pydantic import BaseModel import uvicorn app = FastAPI(title="RAG智能问答系统
68010编辑于 2025-11-13 基于LangChain的企业知识库问答系统完整项目模板
一、智能问答系统架构设计1.1 整体系统架构css 体验AI代码助手 代码解读复制代码graph LRA[用户输入] --> B(前端界面)B --> C{查询类型}C -->|文本| D[文本处理模块 deepseek-llm-7b-chat", device_map="auto")def generate_answer(query, context): prompt = f""" 基于以下企业知识库信息 引用知识库中的具体条款 3. contradiction", "neutral"] ) if result[0]['label'] == 'contradiction': return "抱歉，根据知识库我无法确认该信息 7.2 演进路线图css 体验AI代码助手 代码解读复制代码graph LRA[基础问答系统] --> B[多模态支持]B --> C[个性化知识图谱]C --> D[自动化知识发现]D --> E[预测性智能助手
42910编辑于 2025-08-24- 来自专栏山行AI
MaxKB ——一款基于 LLM 大语言模型的知识库问答系统
MaxKB 是一款基于 LLM 大语言模型的知识库问答系统。MaxKB = Max Knowledge Base，旨在成为企业的最强大脑。 •开箱即用：支持直接上传文档、自动爬取在线文档，支持文本自动拆分、向量化，智能问答交互体验好；•无缝嵌入：支持零编码快速嵌入到第三方业务系统；•多模型支持：支持对接主流的大模型，包括 Ollama 本地私有大模型 方式二 你也可以通过 1Panel 应用商店[1] 快速部署 MaxKB + Ollama + Llama 2，30 分钟内即可上线基于本地大模型的知识库问答系统，并嵌入到第三方业务系统中。 在线体验 你也可以在线体验：DataEase 小助手[2]，它是基于 MaxKB 搭建的智能问答系统，已经嵌入到 DataEase 产品及在线文档中。 5] UI 展示 技术栈 •前端：Vue.js[7]•后端：Python / Django[8]•LangChain：LangChain[9]•向量数据库：PostgreSQL / pgvector[10
8.4K10编辑于 2024-04-30 - 来自专栏AI
Dify Chatflow 构建智能问答系统：知识库检索 + 视觉识别双通道实战
前言在企业知识管理场景中，单纯的文本问答往往不能满足需求——用户可能需要上传图片、文档进行识别分析，也可能只是简单的文字提问。 本文记录了一个实际场景：构建一个同时支持知识库问答和图片/文件识别的智能 Chat 系统。 用户发送纯文字时，系统会从知识库检索相关内容后由 LLM 整合输出；当用户上传图片或文件时，系统会调用视觉模型进行识别分析。 系统：[基于知识库检索结果回答]场景二：图片识别用户：[上传一张截图] 帮我分析这张图片系统：[调用 Gemini 视觉能力分析图片内容]两种场景在同一个 Chat 界面无缝切换，用户无需关心后台的处理逻辑 总结通过 Dify Chatflow 的可视化编排能力，我们实现了一个同时支持知识库问答和图片识别的智能 Chat 系统。
4.9K62编辑于 2025-12-10 知识库更新了，如何快速回归测试 RAG 系统的问答效果
知识库的每一次更新，都可能在不改动任何一行代码的情况下，显著改变系统的问答质量——有时是变好，有时是变坏，有时是在某些问题上变好的同时，另一些问题悄然退化。 这不是理论上的担忧，而是每个运营过 RAG 系统的团队都曾真实遭遇过的困境：知识库完成了一次重要的内容更新，上线前想确认问答效果没有退化，却发现没有一套系统的方法来快速、可靠地做出这个判断。 知识质量思维的起点，是为 RAG 系统的问答质量建立一套具体的、多维度的评估框架。 这是知识库更新场景最常见的质量风险之一，也是最容易被忽视的维度。 四个维度共同构成了 RAG 系统问答质量的完整描述。 建立“每次回归测试抽取 10-15% 的条目进行人工复核”的习惯，确保自动化评估层的准确性不悄悄漂移。
10410编辑于 2026-03-31- 来自专栏小白开发
智能问答再升级：快速部署FastGPT大语言模型的知识库系统
使用腾讯云轻量应用服务器部署大语言模型的知识库问答系统FastGPT 前言 每次不管是找之前的开发文档还是某个框架的开发文档，都需要花点时间，无意间看到这个项目，瞬间感觉到可以为我所用。 1.FastGPT介绍 FastGPT，一个遵循 Apache License 2.0 开源协议的智能问答系统。 无论是针对客服问答场景还是其他应用场景，FastGPT 的无限扩展性和便于调试的特点可以给你的项目带来便利。FastGPT 可以成为您智能问答系统的理想选择。 down && docker-compose pull && docker-compose up -d 7.结语 在这篇文章中，我们了解了如何使用腾讯云轻量应用服务器来部署 FastGPT 大语言模型的知识库问答系统 在完成部署后，我们还简单演示了如何使用这个知识库系统。 通过这篇教程，我们不仅学会了如何部署 FastGPT，还了解了如何在实际应用中使用它，比如在群里进行提问获取信息等。
5.5K21编辑于 2024-03-01 基于知识库快速搭建智能客服问答 Bot
在数字化转型的浪潮中，智能客服系统已成为企业提升客户体验和运营效率的关键工具。Botnow 平台，作为一款集智能体创作与分发于一体的平台，为企业提供了快速搭建智能客服问答 Bot 的一站式解决方案。 本文将详细介绍如何利用 Botnow 的知识库功能，结合 RAG（Retrieve-Augmented Generation）方案，快速构建一个智能客服问答 Bot，以提升客户体验和企业效率。 知识库介绍：知识库是智能客服问答 Bot 的核心组成部分，它包含了企业的产品信息、FAQ、政策规定、行业知识等，是智能体回答问题的依据之一。 以下是产品智能客服问答场景的人设与回复逻辑编写示例：# 角色你是Botnow文档助手，由Botnow AI开发，专注于为用户解答Botnow平台的各类问题。 总结通过 Botnow 平台，企业可以快速搭建智能客服问答 Bot，利用知识库功能，结合 RAG 方案，实现对客户问题的智能回答，提升服务效率和客户满意度。
1.1K10编辑于 2024-08-27- 来自专栏Fdu弟中弟
问答系统调研
在完成毕业论文（设计）期间的调研工作，主要研究了几个经典的问答系统和机器阅读理解模型。 其实这里开始就会有不同的版本，这里是按照CS224n课程中的理解 DrQA 出自论文：Reading Wikipedia to Answer Open-Domain Questions 解决的问题：开放域问答 Retriever 出自论文：Answering Complex Open-domain Questions Through Iterative Query Generation 解决的问题：开放域问答 ，不需要预先给出段落，问题需要系统进行多步推理才能给出正确答案 思路： 该模型的核心创新之处在于，它在每一步都使用先前的IR结果来生成新的自然语言查询，并检索新的证据来回答原始问题，而不是单纯依靠原始问题来检索文章段落 towardsdatascience.com/modeling-and-output-layers-in-bidaf-an-illustrated-guide-with-minions-f2e101a10d83
1.3K20发布于 2021-02-24 - 来自专栏java学习
Java学习问答
近30%的开发者用Java从事C/S应用或系统级应用的开发。在桌面应用上，尽管Java在桌面GUI方面尚有不尽如人意之处，但仍然有很多开发者用来开发运行在多种操作系统平台上的桌面应用。 4.辅助教学 在辅助教学方面，东南大学与中兴通讯公司开发了远程教学系统，用于本地网上教学、课后学习和异地远程教育，清华大学用Java进行了“计算机软件基础课”教学改革，分析研究Java教学软件BlueJ （9）安全扫描系统(包括网络安全扫描、数据库安全扫描、用户安全扫描等)。 （10）网络/应用管理系统。 （11）其他应用类型的程序。 特别是移动设备领域，Java语言的应用效果将更加显著，并将定位由系统的通信终端转变为个人信息端。 如今，有关Java语言方面的研究正朝着服务器端优势应用系统方面延伸，相信未来Java语言必将具有更加广泛的应用，也必将会给IT行业的发展起到更有力的促进作用。
1.2K90发布于 2018-04-18 - 来自专栏Java极客技术
基于开源项目或云产品构建属于自己的私域知识库问答系统
Photo by Kevin Mueller on Unsplash 目前市面上通用大模型已经很多而且也比较成熟，但是相较于通用大模型而言很多企业或者个人都需要建立私域数据知识库问答业务。 此外，它利用 PostgreSQL，一个强大的关系数据库管理系统，用于高效的向量搜索操作和存储知识库。 点击 create new bot 创建的时候我们可以选择数据源，这里的数据源就是我们的私域知识库，知识库的类型有很多中，可以是一个网页，可以是一段文本，也可以是一个文件，或者是爬虫等。 1.0 版本的 DialoqBase 支持多人注册创建 Bot 进行问答。 Lindorm Lindorm 是阿里云的一款多模数据库产品，针对私有知识库问题，云原生多模数据库 Lindorm 推出一站式私域数据知识问答 AIGC 解决方案，结合 Lindorm AI 引擎和内置的向量检索能力
1.6K30编辑于 2023-10-23 - 来自专栏编程
10. Redis 面试常见问答
Redis 面试常见问答 什么是缓存雪崩？怎么解决？ 通常，我们会使用缓存用于缓冲对 DB 的冲击，如果缓存宕机，所有请求将直接打在 DB，造成 DB 宕机——从而导致整个系统宕机。 如何解决呢？ 2 种策略（同时使用）： 对缓存做高可用，防止缓存宕机 使用断路器，如果缓存宕机，为了防止系统全部宕机，限制部分流量进入 DB，保证部分可用，其余的请求返回断路器的默认值。
17810编辑于 2024-10-28 - 来自专栏NLP/KG
Anything本地知识库问答系统：基于检索增强生成式应用（RAG）两阶段检索、支持海量数据、跨语种问答
QAnything本地知识库问答系统：基于检索增强生成式应用（RAG）两阶段检索、支持海量数据、跨语种问答 QAnything (Question and Answer based on Anything ) 是致力于支持任意格式文件或数据库的本地知识库问答系统，可断网安装使用。 支持跨语种问答，中英文问答随意切换，无所谓文件是什么语种。 支持海量数据问答，两阶段向量排序，解决了大规模数据检索退化的问题，数据越多，效果越好。 高性能生产级系统，可直接部署企业应用。 支持选择多知识库问答。 架构 1.两阶段检索优势 知识库数据量大的场景下两阶段优势非常明显，如果只用一阶段embedding检索，随着数据量增大会出现检索退化的问题，如下图中绿线所示，二阶段rerank重排后能实现准确率稳定增长
2.4K20编辑于 2024-01-24 - 来自专栏ShowMeAI研究中心
斯坦福NLP课程 | 第10讲 - NLP中的问答系统
[问答系统] 本讲内容的深度总结教程可以在这里 查看。 引言 [问答系统] 授课计划 [授课计划] Final final project notes, etc. / 最终大项目要点 Motivation/History / 问答系统动机与历史 The SQuADdataset 2.问答系统动机与历史 2.1 动机：问答 [动机：问答] 拥有大量的全文文档集合，例如网络，简单地返回相关文档的作用是有限的 相反，我们经常想要得到问题的答案 尤其是在移动设备上 或使用像Alexa、 [千年之交的完整 NLP 问答] 复杂的系统，但他们在 事实 问题上做得相当好<! ，排序后进行选择 NER识别候选实体再进行判断 这样的QA系统在特定领域很有效：Factoid Question Answering 针对实体的问答 3.SQuAD问答数据集 3.1 斯坦福问答数据集
88481编辑于 2022-05-12 - 来自专栏呼延
Java面试常见问答
PS:本文只为零碎的记录,不保证严谨,如果有人不小心看到,切记多看多想,不要当真 Java基础 1. 反射的用途以及实现 Java反射框架提供以下功能： 在运行时判断任意一个对象所属的类。 Java集合类 5.List 和 Set 区别 List内可以有重复元素,Set不可以 List有序,Set无序 6. HashTab 9.HashSet 和 HashMap 区别 HashMap放的是键值对,HashSet是单个的对象 计算hash的时候,HashMap用的是键,HashSet用的是值(他只有值.). 10 看过那些Java集合类的源码 List接口的三个实现类,Arraylist,LinkedList,Vector HashMap,ConCurrentHashMap,LinkedHashMap Java线程
57820发布于 2019-07-01 - 来自专栏Zabbix中国官方
Zabbix知识库更新，群内实用问答集锦！
Zabbix中文问答知识库可登陆网站查看，文中提及案例均来源于#Zabbix开源社区微信群#及#宏时数据Zabbix技术服务群#。 A：官方确实没有centos7 操作系统 5.2版本的包。不过一般建议安装 LTS 稳定版本。 Q2：zabbix往钉钉上发送告警信息，有方法吗？发送告警那个服务器必须要联网吗？ A：可以对接钉钉的。 系统管理部_安全组::HLW-DNS-2:用途描述(互联网dns)系统名称(运维工具设备（系统管理部）) …… A：这些是Zabbix的内部事件，如果正在告警的item，trigger，host被删除， Q10：zabbix可以支持绿盟WAF、DDOS、以及checkpoint等安全设备的监控吗？ A：支持。 Zabbix开源社区 由Zabbix大中华区唯一总代理上海宏时数据系统有限公司建立并维护，旨在提供最新资讯、交流平台和技术支持。
1.1K20发布于 2021-07-16
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号