低成本+高性能+超灵活！Deepseek 671B+Milvus重新定义知识库搭建

“老板说，这个项目得上Deepseek,还得再做个知识库...”

还有哪个开发者，最近没听到这样的怨？

Deepseek爆火，推理端的智能提速，算力成本急剧下降，让不少原本不想用大模型，用不起大模型的企业，一夕之间全部拥抱AI，开启了降本增效。在这个过程中，对于大部分拥有优质私有数据，敏感数据的企业来说，如果不想数据泄露，那么部署本地知识库，就成了拥抱大模型的必经之路。

可是当你真正开始调研的时候，就会发现这事儿没那么简单：

想用开源的蒸馏版模型？效果差强人意，连基本的问答准确度都难以保证。

比如，前不久，我们推出了基于Deepseek 7b+Milvus的本地部署教程，就有不少开发者反应，7B版本，即使加上了向量数据库，也依然效果差强人意。

可是上满血版的大模型？满血的R1，参数有671B，即使已经是FP16精度，需要的显存也高达1342GB，换算成80G的A100，也需要足足17张。而个人电脑，即使采用顶配的24GB的4090，需要的数量也足足高达56张（MoE+量化会降低实际显存需求）……

很显然，别说个人，就是一些中小企业，也没这么多显卡。

那就用开源方案搭建？光是配置环境就够喝一壶的：向量库选型、模型部署、前端界面...每一步都像是在考验你的耐心。

难道就没有一个简单可行的方案吗？

被老板抓着加班部署了一个月后，相信我，Deepseek+Milvus+AnythingLLM，绝对是你部署本地知识库的最优解！

这个方案不仅解决了性能问题，更重要的是，它真的做到了"零门槛"，只需要30分钟，就能搭建一个具备企业级性能的私有知识库。而且，整个过程真的像搭积木一样简单，小白也能快速上手。

01

选型思路

首先我们来看一下，这次选型，为什么采用Deepseek+Milvus+AnythingLLM这个组合，它主要解决了目前RAG落地的三大痛点:

1.1 模型性能问题

用过ollama提供的蒸馏版Deepseek的朋友，应该都有同感，虽然也是Deepseek，但效果实在不怎么聪明。总结来说，就是7B太智障，671B用不起。

所以，在这里，我们推荐使用硅基流动以及一些云服务企业的API服务，通过API调用的方式,我们可以用很低的成本获得满血版Deepseek的算力支持。而且，最近一段时间，新注册用户还有免费的额度尝鲜。

1.2 部署难度问题

市面上开源的RAG方案不少,但要么需要复杂的环境配置,要么需要大量的运维工作。而AnythingLLM则提供完整的UI界面，天然的支持向量数据库Milvus以及各种类型的大模型接口,降低了入门用户的使用门槛。

而Milvus在召回效率、支持的数量规模等方面，也是业内毋庸置疑的第一梯队，与此同时，Milvus也是目前github上向量数据库方向，star数量最多的开源产品，属于大部分AI开发者的入门基础课程。

1.3 扩展性问题

这个组合最大的亮点在于它的灵活性。可以轻松切换不同的大语言模型，Milvus支持亿级数据的高性能检索，AnythingLLM的插件机制让功能扩展变得简单。

总的来说,这个组合方案既保证了效果,又降低了使用门槛,还具备良好的扩展性。对于想要快速搭建私有知识库的个人来说,是一个非常理想的选择。

02

实战：搭建本地RAG

环境配置要求说明：

本文环境均以MacOS为例，Linux和Windows用户可以参考对应平台的部署文档。

docker和ollama安装不在本文中展开。

本地部署配置：最低CPU:4核、内存8G，建议 CPU:8核、内存16G

（1）Milvus部署

官网：https://milvus.io

1.1下载Milvus部署文件

bash-3.2$ wget https://github.com/milvus-io/milvus/releases/download/v2.5.4/milvus-standalone-docker-compose.yml -O docker-compose.yml

1.2修改配置文件

说明：anythingllm对接milvus时需要提供milvus账号密码，因此需要修改docker-compose.yml文件中的username和password字段。

version: '3.5'services:etcd:container_name: milvus-etcdimage: registry.cn-hangzhou.aliyuncs.com/xy-zy/etcd:v3.5.5environment:- ETCD_AUTO_COMPACTION_MODE=revision- ETCD_AUTO_COMPACTION_RETENTION=1000- ETCD_QUOTA_BACKEND_BYTES=4294967296- ETCD_SNAPSHOT_COUNT=50000volumes:- ${DOCKER_VOLUME_DIRECTORY:-.}/volumes/etcd:/etcdcommand: etcd -advertise-client-urls=http://127.0.0.1:2379 -listen-client-urls http://0.0.0.0:2379 --data-dir /etcdhealthcheck:test: ["CMD", "etcdctl", "endpoint", "health"]interval: 30stimeout: 20sretries: 3minio:container_name: milvus-minioimage: registry.cn-hangzhou.aliyuncs.com/xy-zy/minio:RELEASE.2023-03-20T20-16-18Zenvironment:MINIO_ACCESS_KEY: minioadminMINIO_SECRET_KEY: minioadminports:- "9001:9001"- "9000:9000"volumes:- ${DOCKER_VOLUME_DIRECTORY:-.}/volumes/minio:/minio_datacommand: minio server /minio_data --console-address ":9001"healthcheck:test: ["CMD", "curl", "-f", "http://localhost:9000/minio/health/live"]interval: 30stimeout: 20sretries: 3standalone:container_name: milvus-standaloneimage: registry.cn-hangzhou.aliyuncs.com/xy-zy/milvus:v2.5.4command: ["milvus", "run", "standalone"]security_opt:- seccomp:unconfinedenvironment:ETCD_ENDPOINTS: etcd:2379MINIO_ADDRESS: minio:9000COMMON_USER: milvusCOMMON_PASSWORD: milvusvolumes:- ${DOCKER_VOLUME_DIRECTORY:-.}/volumes/milvus:/var/lib/milvushealthcheck:test: ["CMD", "curl", "-f", "http://localhost:9091/healthz"]interval: 30sstart_period: 90stimeout: 20sretries: 3ports:- "19530:19530"- "9091:9091"depends_on:- "etcd"- "minio"networks:default:name: milvus

1.3启动并检查Milvus服务

bash-3.2$ docker-compose up -d

（2）ollama下载向量模型

官网：https://ollama.com/

2.1 下载查看向量模型

bash-3.2$ollama pull nomic-embed-text

bash-3.2$ollama list

（3）注册硅基流动获取API密钥

官网：https://siliconflow.cn/zh-cn/

3.1复制满血版deepseek模型名称

3.2 创建API密钥并记录

（4）下载安装AnythingLLM

官网：https://anythingllm.com/

4.1 安装时点击GetStarted

4.2 暂不配置先点下一步

4.3 点击Skip跳过

4.4 部署完成进入首页

（5）配置AnythingLLM

5.1添加deepseek模型

说明：点击LLM首选项选择提供商Generic OpenAI并填入刚才注册的API密钥、baserul、deepseek模型名称并保存

5.2 添加milvus向量数据库

说明：点击向量数据库选项选择Milvus并填入刚才部署好的milvus的地址、用户名、密码并保存

5.3 添加embeding模型

说明：点击Embedder首选项选择ollama并填入刚才部署好的ollama的URL和模型名称并保存

（6）效果演示

6.1 回到首页新建工作区

6.2 上传测试数据集

说明：数据集可以从huggingface上获取 网址：https://huggingface.co/datasets

上传区域传入数据集并点击Move向量化后存入milvus

6.3 测试问答效果

说明：对话框中输入“怎么实现向量检索检索？”得到的回复是符合预期的，可以看到回复中引用了本地知识库中的内容。

03

写在结尾：RAG落地的思考与展望

看到这里，相信你已经成功搭建起了自己的知识库系统。不过除了具体的搭建步骤，我觉得这个方案背后还有一些值得分享的思考。

1.架构设计的前瞻性

这套方案采用了"模型服务+向量数据库+应用前端"的解耦设计。这种架构的好处是显而易见的：

当新的大模型出现时，我们只需要替换模型服务

数据规模扩大时，可以单独升级向量库

业务需求变化时，前端界面也能独立演进

这种松耦合的设计理念，让系统具备了持续进化的能力。在AI技术快速迭代的今天，这一点尤为重要。

2.技术选型的平衡之道

在选择技术栈时，我们需要在多个维度之间找到平衡：

性能与易用性：通过API调用满血版模型，而不是本地部署蒸馏版

开发效率与扩展性：选择开箱即用的AnythingLLM，但保留了插件扩展能力

成本与效果：利用硅基流动等云服务，避免了高昂的硬件投入

这些选择背后，体现的是一种务实的工程思维。

3.RAG应用的演进趋势

从更大的视角来看，这套方案的出现其实反映了几个重要的行业趋势：

知识库建设正在从企业级需求向个人需求扩展

RAG技术栈正在标准化、组件化，降低了使用门槛

云服务的普及让高性能AI能力变得触手可及

未来，随着更多优秀的开源组件出现，RAG的应用场景会越来越丰富。我们可能会看到：

更多细分领域的专业知识库方案

更智能的数据处理和检索算法

更便捷的部署和运维工具

总的来说，这个"Deepseek+Milvus+AnythingLLM"的组合不仅解决了当前的实际需求，也为未来的演进预留了空间。对于想要探索RAG应用的个人和团队来说，现在就是最佳的入局时点。