AnythingLLM 知识库搭建

一句话说明： AnythingLLM 是一个开源的本地知识库问答系统，你把文档丢进去，它就能基于你的资料回答问题——不联网、不花钱、数据不出你电脑。

---

目录

1. 为什么要学
2. 核心概念白话版
3. 安装教程（Windows 桌面版）
4. 配置教程
5. 导入文档实操
6. 使用教程
7. AnythingLLM vs DeepTutor vs Quivr 对比
8. 常见报错与解决方案
9. 速查表
10. 延伸学习资源

---

1. 为什么要学

你的痛点

你已经写了 22 篇知识库 md 文件，涵盖宏基因组全流程、微生物多样性、功能注释、Python、R、Linux、机器学习……内容很多，但有两个问题：

1. 找不到 — 22 篇文档几万字，想找"kraken2 的数据库怎么下载"，得一篇一篇翻，效率极低
2. 串不起来 — 你的知识分散在不同文件里，比如"宏基因组流程里的质控步骤"和"Linux 命令"是分开写的，你脑子里很难把它们关联起来

AnythingLLM 怎么解决

AnythingLLM 做的事情很简单：把你的 22 篇文档全部"喂"给 AI，然后你用自然语言问问题，AI 就能从你的文档里找到答案回复你。

白话比方：你有一个非常勤快的助理，把你所有的笔记都读了一遍并且记住了，你随时问他任何问题，他都能帮你从笔记里翻出来回答。

学了有什么用

收益	说明
面试复习效率翻倍	直接问"宏基因组 binning 原理是什么"，AI 秒回你自己写的笔记内容
面试加分	"我搭建了一个本地 RAG 知识库系统"——这就是实打实的 AI 工程能力
后续可扩展	入职后可以把团队的 SOP 文档、项目 README 全部导入，变成团队内部问答机器人
数据隐私	全本地运行，生信数据（患者信息、未发表结果）绝对不出你的电脑
免费	开源免费，配合 Ollama 本地模型，零成本

---

2. 核心概念白话版

AnythingLLM 里有几个核心概念，面试可能会被问到。下面全部用白话解释：

2.1 Workspace（工作区）

白话： Workspace 就是一个"独立的聊天房间"，每个房间有自己的文档和对话记录。

你可以建多个 Workspace： - "面试知识库" — 放你 22 篇笔记 - "论文资料" — 放你毕业论文相关的 PDF - "英语词汇" — 放你的 AI 生信英文词书

每个 Workspace 的文档互不干扰。就像你在微信里建了不同的群，每个群聊不同的话题。

2.2 Document（文档）

白话： 就是你丢进 AnythingLLM 的原始文件。

支持的格式：.md、.txt、.pdf、.docx、.csv、.json、网页链接等。你的 22 篇知识库 md 文件就是 Document。

文档导入后，AnythingLLM 会自动把它们切成小段（chunk），方便后面检索。

2.3 Embedding（向量嵌入）

白话： Embedding 就是"把文字变成一组数字"，让电脑能理解文字的含义。

人类靠语感判断两句话意思是否接近，电脑不行——电脑需要把文字转成数字（向量），然后用数学方法计算"距离"来判断相似度。

举个例子： - "宏基因组质控" → 变成 [0.23, -0.15, 0.87, ...]（一组 768 个数字） - "metagenomic QC" → 变成 [0.25, -0.13, 0.85, ...]（一组很接近的数字） - "今天天气好" → 变成 [0.91, 0.32, -0.44, ...]（一组完全不同的数字）

电脑通过计算向量距离就知道：前两句话意思接近，第三句不相关。

这就是为什么 AI 能"理解"你的文档内容。

2.4 向量数据库（Vector Database）

白话： 向量数据库就是一个"专门存放向量的仓库"，支持快速搜索"哪些向量跟我的问题最像"。

普通数据库（如 MySQL）擅长精确查找：SELECT * FROM users WHERE name = '彭文强'。

向量数据库擅长模糊语义查找：找出跟"宏基因组质控流程"意思最接近的前 5 段文档内容。

AnythingLLM 内置了 LanceDB 作为向量数据库，不需要你额外安装任何东西。

2.5 RAG（检索增强生成）

白话： RAG = 先搜后答。AI 不是凭记忆瞎编，而是先从你的文档里搜到相关段落，再基于这些段落回答。

完整流程（每次你提问时都会走一遍）：

你的提问
   ↓
① 把你的问题变成向量（Embedding）
   ↓
② 去向量数据库里搜索最相关的文档段落（通常取 top 4-6 段）
   ↓
③ 把搜到的段落 + 你的问题一起发给 LLM
   ↓
④ LLM 基于这些段落生成回答
   ↓
你看到的回答（附带引用来源）

关键优势： 回答有据可查。AnythingLLM 会告诉你"这段回答参考了哪个文档的哪个部分"，你可以验证。

2.6 Agent（智能代理）

白话： Agent 是一个"升级版 AI"，不只会聊天，还会使用工具。

普通对话模式：AI 只能基于文档回答文字问题。

Agent 模式：AI 可以： - 上网搜索最新信息 - 生成图表 - 执行代码 - 读取网页内容 - 调用自定义工具

类比：普通模式是"只会看书回答的书呆子"，Agent 模式是"会用电脑、会上网、会干活的助理"。

---

3. 安装教程（Windows 桌面版）

3.1 前置条件

条件	你的情况	说明
Windows 10/11	已满足	桌面版只支持 Windows/Mac/Linux
Ollama 已安装	已满足	你已经装好了 Ollama 并拉取了模型
至少 8GB 内存	已满足	AnythingLLM 本身很轻量，主要是 Ollama 吃资源
磁盘空间 500MB+	需确认	AnythingLLM 安装包约 300MB

3.2 下载与安装

第一步：下载安装包

去 AnythingLLM 官网下载 Windows 桌面版：

下载地址：https://anythingllm.com/desktop

点击 "Download for Windows"，会下载一个 AnythingLLMDesktop.exe 安装文件（约 300MB）。

第二步：安装

1. 双击 AnythingLLMDesktop.exe
2. 如果弹出 Windows 安全警告"Windows 已保护你的电脑"：
   → 点击"更多信息" → 点击"仍要运行"
3. 选择安装路径（建议改到 D 盘，比如 D:\AnythingLLM）
4. 等待安装完成（约 1-2 分钟）
5. 安装完成后，桌面会出现 AnythingLLM 图标

第三步：首次启动

双击桌面图标启动。首次启动会进入配置向导（Setup Wizard），下一节详细讲怎么配。

3.3 数据存储位置

AnythingLLM 的所有数据（向量数据库、文档、对话记录）默认存在：

Windows: C:\Users\<用户名>\AppData\Roaming\anythingllm-desktop\storage

如果 C 盘空间紧张，可以在安装时选择其他盘。

---

4. 配置教程

首次启动 AnythingLLM 后，会进入配置向导。需要配三样东西：LLM 提供商、Embedding 提供商、向量数据库。

4.1 LLM 选择（大语言模型）

这是最重要的选择——决定了 AI 用什么"大脑"来回答你的问题。

方案 A：Ollama 本地模型（推荐）

你已经有 Ollama，这是最简单的方案：

配置向导中：
1. LLM Provider 选择 → "Ollama"
2. Ollama Base URL → http://localhost:11434
   （如果 Ollama 在 WSL 里运行，填 http://host.docker.internal:11434 
    或者 http://<WSL的IP>:11434）
3. 点击旁边的刷新按钮，会自动列出你已下载的模型
4. 选择一个模型，推荐：
   - qwen2.5:7b     — 中文能力强，7B 参数，8G 显存可跑
   - llama3.1:8b    — 英文能力强，综合性能好
   - deepseek-r1:8b — 推理能力强，适合复杂问题
5. Token Context Window → 4096（默认即可，显存够可以调到 8192）

方案 B：API 模式（备选）

如果你的电脑显存不够跑本地模型，可以用云端 API：

API 提供商	费用	配置方法
DeepSeek API	极便宜（百万 token 约 1 元）	填入 API Key，选 deepseek-chat 模型
OpenAI API	较贵	填入 API Key，选 gpt-4o-mini
Anthropic API	中等	填入 API Key，选 claude-3-haiku

建议： 你有 8G 显存，Ollama 本地跑 7B 模型完全够用，优先选方案 A。

4.2 Embedding 选择（向量化模型）

Embedding 模型负责把文档和问题变成向量。选错了影响检索质量。

方案 A：Ollama 本地 Embedding（推荐）

配置向导中：
1. Embedding Provider 选择 → "Ollama"
2. Ollama Base URL → http://localhost:11434（和上面一样）
3. 选择 Embedding 模型，推荐：
   - nomic-embed-text    — 768维，效果好，速度快（首选）
   - bge-m3              — 多语言支持好，适合中英混合文档
4. Max Embedding Chunk Length → 8192（默认即可）

先在 Ollama 里下载 Embedding 模型：

# 在终端执行（下载 Embedding 模型）
ollama pull nomic-embed-text
# 模型大小约 274MB，很小，几分钟就下好

方案 B：Jina Embedding（备选）

如果你不想在本地跑 Embedding 模型（节省显存），可以用 Jina 的免费 API：

1. Embedding Provider 选择 → "Jina AI"
2. 去 https://jina.ai/embeddings/ 注册，获取免费 API Key
3. 填入 API Key
4. 模型选 jina-embeddings-v3

Jina 免费额度：100 万 token/月，对你 22 篇文档绰绰有余。

建议： 优先选 Ollama 本地 Embedding，全离线、零依赖、速度快。

4.3 向量数据库选择

配置向导中：
Vector Database 选择 → "LanceDB"

就这一步。LanceDB 是 AnythingLLM 内置的向量数据库，不需要额外安装、不需要配置、不需要启动服务。数据直接存在本地文件里。

为什么选 LanceDB 而不是 Chroma/Pinecone/Weaviate？

向量数据库	是否需要额外安装	是否免费	适合场景
LanceDB	不需要（内置）	免费	个人/小团队，文档量 < 10万段
Chroma	需要 pip install	免费	开发者，需要更多自定义
Pinecone	不需要安装，但要注册	免费额度有限	云端部署，大规模生产
Weaviate	需要 Docker	免费	企业级，需要复杂过滤查询

结论： 你是个人使用，22 篇文档，LanceDB 完全够用，零配置成本。

4.4 配置完成

三项都选好后，点击 "Save & Continue"。AnythingLLM 会自动测试连接：

✓ LLM connected          — Ollama 连接成功
✓ Embedding connected    — Embedding 模型连接成功
✓ Vector DB ready        — LanceDB 就绪

如果某项连接失败，检查： 1. Ollama 是否正在运行（在终端输入 ollama ps 确认） 2. URL 是否正确（http://localhost:11434） 3. 模型是否已下载（ollama list 查看）

---

5. 导入文档实操

配置完成后，最关键的步骤：把你的 22 篇知识库 md 文件导入 AnythingLLM。

5.1 创建 Workspace

1. 点击左侧边栏的 "+" 号
2. 输入 Workspace 名称："生信面试知识库"
3. 点击创建

5.2 上传文档

1. 进入"生信面试知识库" Workspace
2. 点击上方的 "Upload" 图标（或拖拽文件进来）
3. 选择你的知识库文件夹：
   /home/pweaz/面试/knowledge_base  知识库/

   需要导入的文件清单（22 篇）：
   ├── 01_宏基因组全流程.md
   ├── 02_微生物多样性分析.md
   ├── 03_功能注释数据库.md
   ├── 04_细菌基因组.md
   ├── 05_微生物数据库.md
   ├── 06_Linux与Shell脚本.md
   ├── 07_Python数据分析.md
   ├── 08_R语言可视化.md
   ├── 09_流程管理工具.md
   ├── 10_面试高频题.md
   ├── 11_统计学基础.md
   ├── 12_机器学习基础.md
   ├── 13_测序技术原理.md
   ├── 14_比对与组装工具.md
   ├── 15_转录组分析流程.md
   ├── 16_Git版本控制.md
   ├── 17_Docker与Conda环境管理.md
   ├── 18_正则表达式.md
   ├── 19_SQL数据库基础.md
   ├── 20_AI与生信交叉应用.md
   ├── 21_大语言模型入门.md
   └── 22_Prompt工程技巧.md

4. 全选文件 → 点击"Upload"

小技巧： Windows 桌面版支持直接拖拽文件夹，把整个 knowledge_base 知识库 文件夹拖进去就行。

5.3 将文档移入 Workspace

上传后文档会出现在"文档管理器"的左侧（未分配区域）。你需要把它们移到 Workspace 里：

1. 在文档管理器中，全选所有已上传的文档
2. 点击 "Move to Workspace" → 选择"生信面试知识库"
3. AnythingLLM 会自动开始处理：
   - 读取每个 md 文件的内容
   - 按照 chunk 大小切分（默认 1000 字符一段）
   - 用 Embedding 模型把每段文字变成向量
   - 存入 LanceDB 向量数据库
4. 等待处理完成（22 篇 md 文件大约 1-3 分钟）

处理完成后，你会看到每个文档旁边有绿色对勾，表示已成功向量化。

5.4 验证导入成功

在对话框里输入一个问题测试：

你：宏基因组分析的标准流程是什么？

如果 AI 能引用你 01_宏基因组全流程.md 里的内容来回答，就说明导入成功了。回答下方会显示引用来源（citation），点击可以查看原文。

---

6. 使用教程

6.1 对话问答（基础模式）

最核心的功能：用自然语言问问题，AI 从你的文档里找答案。

使用方法： 直接在对话框输入问题。

面试复习时的实用问法：

# 直接问知识点
"Alpha 多样性和 Beta 多样性的区别是什么？"

# 问流程步骤
"用 MetaPhlAn4 做物种注释的完整命令是什么？"

# 问对比
"Kraken2 和 MetaPhlAn4 有什么区别？各自适合什么场景？"

# 模拟面试
"如果面试官问我'你的宏基因组项目中如何做质控'，我该怎么回答？"

# 串联知识
"我的 T2D 项目用了随机森林，请帮我把机器学习基础和宏基因组分析串起来，
 解释为什么用随机森林做菌群标志物筛选。"

6.2 Agent 模式

Agent 模式让 AI 不只是回答问题，还能"干活"。

开启方法：

1. 在 Workspace 设置中 → "Agent Configuration"
2. 选择 Agent 使用的 LLM 模型（建议和主模型一致）
3. 启用需要的工具（Skills）：
   - Web Search    — 联网搜索最新信息
   - Web Scraping  — 读取网页内容
   - RAG           — 搜索你的知识库文档
   - Code Runner   — 执行代码

使用场景：

# 在对话框输入 @agent 激活 Agent 模式
@agent 帮我搜索一下 MetaPhlAn4 最新版本是多少，和我知识库里记录的版本对比一下

@agent 帮我从我的知识库里提取所有提到的生信数据库名称，列成表格

@agent 帮我把"面试高频题"文档里的问题提取出来，生成一个 Anki 卡片格式

6.3 自定义 Prompt（系统提示词）

你可以给 Workspace 设置一个"身份"，让 AI 更精准地回答。

设置方法：

1. 进入 Workspace 设置 → "Chat Settings"
2. 在 "System Prompt" 框中输入：

推荐的 System Prompt（直接复制）：

你是一个生物信息学面试辅导助手。用户是一名 2026 届毕业生，
主攻宏基因组方向（2型糖尿病肠道菌群研究），正在准备生信工程师面试。

回答要求：
1. 优先从用户提供的知识库文档中查找答案，引用具体来源
2. 用中文回答，专业术语保留英文并在括号里加白话解释
3. 回答要分层次：先给一句话总结，再展开详细解释
4. 如果是面试题，先给"标准答案"，再给"加分回答"
5. 如果知识库里没有相关内容，明确说明"知识库中未找到相关内容"，
   不要编造答案

其他可调参数：

参数	默认值	建议值	说明
Temperature	0.7	0.3	越低回答越稳定、越少"创意发挥"，面试复习建议调低
Top-K Results	4	6	每次检索返回的文档段落数，越多回答越全但速度越慢
Chat History	20	20	记住最近几轮对话，保持默认即可
Chat Mode	Chat	Chat	Chat = 基于知识库回答；Query = 只返回原文不生成回答

6.4 API 调用

AnythingLLM 提供了 REST API，你可以用 Python 脚本批量查询知识库。

获取 API Key：

1. 点击左下角齿轮图标 → "Tools" → "API Keys"
2. 点击 "Create New API Key"
3. 复制生成的 Key（类似 ZCMG7WP-XXXXXXX）

Python 调用示例：

import requests

# AnythingLLM 桌面版默认端口 3001
BASE_URL = "http://localhost:3001/api"
API_KEY = "你的API Key"

headers = {
    "Authorization": f"Bearer {API_KEY}",
    "Content-Type": "application/json"
}

# 向 Workspace 发送问题
def ask_knowledge_base(question, workspace_slug="sheng-xin-mian-shi-zhi-shi-ku"):
    """
    向 AnythingLLM 知识库提问
    workspace_slug: Workspace 的 URL 标识符（在 Workspace 设置里可以看到）
    """
    url = f"{BASE_URL}/v1/workspace/{workspace_slug}/chat"
    data = {
        "message": question,
        "mode": "chat"  # chat = RAG模式；query = 纯检索模式
    }
    response = requests.post(url, json=data, headers=headers)
    result = response.json()
    return result["textResponse"]

# 示例：批量查询面试题
questions = [
    "什么是宏基因组？和扩增子测序有什么区别？",
    "Alpha多样性常用的指标有哪些？",
    "随机森林的原理是什么？",
    "解释一下什么是 Embedding",
    "MetaPhlAn4 和 Kraken2 的区别？"
]

for q in questions:
    print(f"\n问：{q}")
    answer = ask_knowledge_base(q)
    print(f"答：{answer[:200]}...")  # 只打印前200字

实用场景： 把面试高频题全部批量跑一遍，把回答导出成文档，在手机上反复看。

---

7. AnythingLLM vs DeepTutor vs Quivr 对比

维度	AnythingLLM	DeepTutor	Quivr
定位	本地知识库问答平台	AI 文献阅读助手	AI 知识管理平台
开源	是（MIT 协议）	部分开源	是（AGPL 协议）
安装方式	桌面版一键安装 / Docker	浏览器插件 / 在线	Docker 部署
安装难度	低（下载安装即用）	极低（浏览器插件）	高（需要 Docker + Supabase）
支持文档类型	md/txt/pdf/docx/csv/json/网页	主要是 PDF（论文）	md/txt/pdf/docx/csv
LLM 选择	Ollama/OpenAI/Anthropic 等 20+	自带模型 / GPT-4	Ollama/OpenAI 等
本地运行	完全支持	部分（需联网）	支持（需 Docker）
数据隐私	全本地，零泄露	数据可能过云端	Docker 本地可控
Agent 功能	有（联网搜索/代码执行）	无	有
API 调用	有（REST API）	无	有（REST API）
多用户	支持（桌面版单用户）	单用户	支持（多用户）
中文支持	取决于 LLM（Qwen 表现好）	一般	取决于 LLM
适合场景	个人知识库/团队文档问答	论文精读/文献综述	企业级知识管理
你该选哪个	首选 — 你的场景完美匹配	补充 — 读英文论文时用	不推荐 — 部署太复杂

总结建议：

• 日常面试复习 → AnythingLLM：把知识库文档全部导入，随时问答
• 读英文论文 → DeepTutor：作为浏览器插件辅助阅读
• 两者配合使用，互不冲突

---

8. 常见报错与解决方案

报错 1：Ollama connection failed / Could not connect to Ollama

原因：AnythingLLM 无法连接到 Ollama 服务
解决：
1. 确认 Ollama 正在运行：
   - Windows：任务栏右下角应该有 Ollama 图标
   - WSL：运行 ollama ps 看是否有输出
2. 确认 URL 正确：
   - 如果 Ollama 在 Windows 本机 → http://localhost:11434
   - 如果 Ollama 在 WSL 里 → 需要先确认 WSL 的 IP：
     在 WSL 终端运行 hostname -I，用输出的 IP 替换 localhost
3. 确认防火墙没有拦截 11434 端口
4. 重启 Ollama 服务后重试

报错 2：Embedding model not found / No embedding model selected

原因：没有选择 Embedding 模型，或模型未下载
解决：
1. 先在终端下载 Embedding 模型：
   ollama pull nomic-embed-text
2. 在 AnythingLLM 设置中刷新模型列表
3. 选择 nomic-embed-text 作为 Embedding 模型
4. 保存设置

报错 3：文档上传后状态一直显示 "Processing" / 卡住不动

原因：Embedding 过程卡死，通常是模型没加载成功或显存不足
解决：
1. 先在终端手动测试 Embedding 模型是否能工作：
   curl http://localhost:11434/api/embed -d '{"model":"nomic-embed-text","input":"test"}'
   如果返回一组数字，说明模型正常
2. 如果报错，重启 Ollama：
   - Windows：右键任务栏 Ollama 图标 → 退出 → 重新打开
   - WSL：pkill ollama; ollama serve &
3. 如果显存不足，关掉其他占显存的程序（如正在运行的 LLM 对话）
4. 重新导入文档

报错 4：回答完全不相关 / AI 没有引用文档内容

原因：检索失败，可能是 Embedding 质量差或文档没被正确向量化
解决：
1. 检查文档是否成功导入：
   在 Workspace 设置 → Documents 里确认文档显示绿色对勾
2. 检查 Chat Mode 是否为 "Chat"（不是 "Query"）
3. 调大 Top-K Results（从 4 调到 8）
4. 尝试更换 Embedding 模型：
   - nomic-embed-text 对中文效果一般
   - 如果你的文档中英混合，试试 bge-m3
5. 重新处理文档：删除 Workspace 中的文档 → 重新导入

报错 5：Error: ENOMEM / 内存不足

原因：同时运行 LLM + Embedding 模型，显存或内存被撑爆
解决：
1. 减少 Ollama 并行加载的模型数：
   设置环境变量 OLLAMA_MAX_LOADED_MODELS=1
2. 使用更小的 LLM 模型（从 13B 降到 7B）
3. 关闭其他占内存的程序
4. 等 Embedding 处理完成后再开始对话（避免 LLM 和 Embedding 同时加载）

报错 6：API 调用返回 401 Unauthorized

原因：API Key 不正确或已过期
解决：
1. 确认你复制了完整的 API Key（不要多空格或少字符）
2. 确认 Header 格式正确：Authorization: Bearer <你的Key>
3. 如果还不行，在 AnythingLLM 设置里重新生成一个 API Key
4. 确认 AnythingLLM 桌面版正在运行（API 服务依赖于桌面程序）

---

9. 速查表

# ============================================================
#  AnythingLLM 速查表（2026-05 版）
# ============================================================

# ========== 前置准备 ==========
# 下载 AnythingLLM 桌面版
# 地址：https://anythingllm.com/desktop

# 下载 Embedding 模型（在 Ollama 终端执行）
ollama pull nomic-embed-text       # 推荐，768 维，274MB
ollama pull bge-m3                 # 备选，多语言支持好

# ========== 配置三件套 ==========
# LLM Provider     → Ollama（http://localhost:11434）
# Embedding Provider → Ollama（nomic-embed-text）
# Vector Database   → LanceDB（内置，无需配置）

# ========== Workspace 操作 ==========
# 创建 Workspace：左侧 "+" → 输入名称 → 创建
# 上传文档：点击 Upload 图标 → 选择文件/拖拽文件夹
# 移入 Workspace：全选文档 → Move to Workspace
# 设置 Prompt：Workspace 设置 → Chat Settings → System Prompt

# ========== 对话技巧 ==========
# 普通问答 → 直接输入问题
# Agent 模式 → 输入 @agent + 问题
# Query 模式 → 切换 Chat Mode 为 Query（只返回原文片段）

# ========== 推荐参数 ==========
# Temperature: 0.3（面试复习建议低温度）
# Top-K Results: 6（检索返回段落数）
# Chunk Size: 1000（文档切分大小，字符数）
# Chunk Overlap: 200（段落之间的重叠字符数，避免切断句子）

# ========== API 调用 ==========
# 获取 API Key：设置 → Tools → API Keys → Create New
# API 端点：http://localhost:3001/api
# 对话接口：POST /api/v1/workspace/{slug}/chat
# 文档列表：GET /api/v1/workspace/{slug}/documents

# ========== 常用排障 ==========
ollama ps                          # 确认 Ollama 正在运行
ollama list                        # 确认模型已下载
curl http://localhost:11434/api/tags   # 测试 Ollama API 是否正常
# Windows 防火墙：允许 11434 和 3001 端口

---

10. 延伸学习资源

• AnythingLLM 官方文档： https://docs.anythingllm.com/ — 最权威的配置参考
• AnythingLLM GitHub： https://github.com/Mintplex-Labs/anything-llm — 源码和 Issue 讨论
• AnythingLLM YouTube 频道： 官方有完整的视频教程，搜索 "AnythingLLM tutorial"
• RAG 原理论文： Lewis et al., 2020, "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks" — 理解 RAG 的源头
• Ollama + AnythingLLM 搭配教程： 你的 01_Ollama本地大模型部署与使用.md 是前置知识
• LangChain RAG 实战： 你的 02_LangChain入门与RAG实战.md 讲了 RAG 的代码实现层面，和 AnythingLLM 的 GUI 操作互为补充
• 向量数据库对比： https://github.com/erikbern/ann-benchmarks — 各向量数据库性能基准测试

---

文档信息： 最后更新 2026-05-03 | AnythingLLM Desktop 最新版 v1.7.x | GitHub Stars: 35k+