一、为什么传统知识库正在被革命？
- 数据泄密之痛：某新能源车企使用公有云知识库，导致电池技术文档被爬取，损失超2亿
- 响应迟缓之殇：客服平均查找手册时间从1.2分钟增至4.7分钟（IBM 2024年报告）
- AI转型之迫：国家《数据安全法》要求核心知识资产必须本地化
二、极速部署四步曲（含避坑指南）
Step1：部署Ollama引擎（企业级AI基座）
① 系统环境准备
- Linux用户（推荐Ubuntu 22.04 LTS）：
# BASH
# 安装NVIDIA驱动（如使用GPU加速） sudo apt install nvidia-driver-535
# 安装Docker引擎 curl -fsSL https://get.docker.com | sh sudo usermod -aG docker $USER② Ollama实战安装
访问线上Ollama官网
- Linux用户
# BASH
curl -fsSL https://ollama.com/install.sh | sh- Windows用户
Windows用户直接安装线上Ollama程序即可
③ 加载DeepSeek模型
在模型列表找到deepseek-r1，选择自己的显卡能够加载的模型大小。
这边Linux使用终端处理器窗口运行，Windows使用CMD窗口运行
# BASH & CMD
# 下载7B量化版（平衡性能与精度）
ollama run deepseek-r1:7b
# 验证模型加载
ollama run deepseek-r1:7b "请用三句话介绍量子计算"高危避坑：
- 禁用默认端口11434，改用自定义端口+防火墙规则
- 必须配置HTTPS证书（Let's Encrypt免费申请）
Step2：安装Chrome增强套件（Page Assist）
点击‘扩展程序’图标，然后点击最下方的‘管理扩展程序’，再点击左边的‘在 Chrome 应用商店 中发现更多扩展程序和主题’，进入Chrome商店，搜索Page Assist
Step3：部署nomic-embed-text嵌入模型（RAG核心）
① 模型加载
# 此模型做是将文本转换为高维向量，捕捉语义信息，便于后续的检索和匹配。
ollama pull nomic-embed-text:latestStep4：构建企业知识图谱（RAG实战）
① 数据预处理
- 将企业文档转为标准格式：
# 转换Word/PDF为Markdown
sudo apt install pandoc
pandoc -s 技术白皮书.docx -o 技术白皮书.md- 敏感信息脱敏：
# 使用Python正则表达式脱敏
import re
text = re.sub(r'\d{3}-\d{8}', '[PHONE]', text)
② RAG策略配置
在Page Assist设置页：
③ 知识库注入
现在，就可以实现本地知识库的问答了。