前言

上一篇文章简单的介绍了下MaxKB，这一篇文章就讲如何部署MaxKB。
MaxKB实现逻辑也比较简单，如下图。

安装

修改Docker镜像源

由于不可抗力，部分源已经无法使用，需要修改以下的源地址来拉取镜像。如果是linux，则修改docker本地的daemon.json：
添加以下内容

    "registry-mirrors": [
    "https://docker.m.daocloud.io",
    "https://ccr.ccs.tencentyun.com",
    "https://dockerproxy.com",
    "https://mirror.ccs.tencentyun.com"
  ]

如果是windows，则使用打开Docker Desktop 点击设置，修改docker engine 里的配置信息，添加上述内容，重启即可

启动Docker

在本地创建maxkb目录，用于数据持久化，启动docker

docker run -d --name=maxkb -p 8080:8080 -v F:\\maxkb\\:/var/lib/postgresql/data 1panel/maxkb

启动后输入：http://10.11.24.27:8080/ui/login
默认账号是admin，密码是MaxKB@123…

登录后

添加本地模型

添加Ollma模型（Ollma 部署请参考其他教程）

key可以随便写，Ollama 默认端口为11434

添加模型成功

创建知识库

成功导入后：

在绑定应用之前，先进行命中测试

重算了好几次向量，最终还是能答出来一点。

创建应用

创建应用关联知识库

创建应用成功

知识库分享

点击演示


经过多轮的尝试，终于可以正确回答问题。

知识库分段优化

如果知识库文本比较多的时候，导入的时候建议选择高级进行分段。
部分本文内容：

问题：午餐时间是什么时候？
回答：午餐时间为每天12:00PM至1:00PM。

问题：打印机报错怎么处理？
回答：打印机报错请联系IT部门进行维修处理。

选择高级分段后，回答问题命中率比较高了点。

总结

整体来说，MaxKB虽然部署简单，但是知识库处理能力还是太弱了，Embeding模型不能自定义，而且消耗token比较大，只能适用本地大模型。
如果使用智能分段处理问题，命中率低，使用高级分段就比较准点，适用于比较规范的问题模板，当然对于大文本来说，手动处理分段就非常麻烦了。
对于开发者来说，好处在于前端使用Vue，后端是Django，非常适合二次开发，可以持续关注。