每个人都能拥有专属 AI 助手，安全高效，开启智能化知识管理新体验。
系统介绍
- mbp pro
一、Ollama 安装与配置
1.1 跨平台安装指南
Ollama 作为本地运行大模型的利器，支持三大主流操作系统：
# macOS一键安装
# Windows用户
访问官网 https://ollama.com/download 下载安装包
# Linux安装（Ubuntu/Debian为例）
curl -fsSL https://ollama.com/install.sh | sudo bash
sudo usermod -aG ollama $USER # 添加用户权限
sudo systemctl start ollama # 启动服务
1.2 服务验证
ollama -v
# 输出ollama version is 0.5.7
出现上述则表示安装成功，可浏览器访问http://localhost:11434/验证
👉掘金大礼包🎁：[全网最全《LLM大模型入门+进阶学习资源包》免费分享] （安全练接，放心点击） ]👈
二、Deepseek 模型部署
2.1 模型下载与加载
以 deepseek r1 模型为例：
- 访问ollama.com/library/dee… 7b 模型，如需其他模型，可以在当前页搜索所需模型
- 模型详情页复制安装命令ollama run deepseek-r1
- 安装完成后在终端执行：
ollama run deepseek-r1
# 执行后
pulling manifest
pulling 96c415656d37... 100% ▕██████████████▏ 4.7 GB
pulling 369ca498f347... 100% ▕██████████████▏ 387 B
pulling 6e4c38e1172f... 100% ▕██████████████▏ 1.1 KB
pulling f4d24e9138dd... 100% ▕██████████████▏ 148 B
pulling 40fb844194b2... 100% ▕██████████████▏ 487 B
verifying sha256 digest
writing manifest
success
> > > Send a message (/? for help)
> > > `
> > > 当看到上述提示，即可开始模型对话。
-
mac 后台标识
-
win 后台标识
见任务栏托盘区
2.2 模型验证测试
运行交互式对话测试：
请用Python写一个快速排序算法
当看到完整代码输出，说明模型已成功加载。
硬件要求建议：
- 最低配置：16GB 内存 + 8GB 显存
- 推荐配置：32GB 内存 + 16GB 显存（RTX 3060 级别）
三、安装交互 ui
3.1 chatbox
- 下载地址chatboxai.app
- 配置本地模型
- 进入设置页面
- 选择 ollama api (本地部署)
- 配置本机地址，默认http://127.0.0.1:11434
至此即可开启问答模式
3.2 Page Assist 浏览器插件
- 安装地址Page Assist - 本地 AI 模型的 Web UI
- 安装后简单配置即可开启问答模式，功能丰富，可以参考官方引导
- 本插件支持本地知识库建设，因本次使用 Dify 建设，在此不赘述。
四、Dify 知识库搭建
参考文档地址Docker Compose 部署
4.1 环境准备
1.拉取源代码，准备环境
# mac os
# 克隆 Dify 源代码至本地环境。
git clone https://github.com/langgenius/dify.git
# 进入 Dify 源代码的 Docker 目录
cd dify/docker
# 复制环境配置文件cp .env.example .env
2.启动 Docker 容器（需要先安装 D ocker）
docker compose up -d
# 如果版本是 Docker Compose V1，使用以下命令：
docker-compose up -d
# 正常返回
[+] Running 74/9
✔ db Pulled 834.2s
✔ sandbox Pulled 1120.7s
✔ weaviate Pulled 526.5s
✔ web Pulled 174.0s
✔ redis Pulled 893.7s
✔ api Pulled 2919.8s
✔ worker Pulled 2919.8s
✔ ssrf_proxy Pulled 494.0s
✔ nginx Pulled 184.7s
[+] Running 11/11
✔ Network docker_default Created 0.0s
✔ Network docker_ssrf_proxy_network Created 0.0s
✔ Container docker-db-1 Started 1.1s
✔ Container docker-web-1 Started 1.1s
✔ Container docker-redis-1 Started 1.1s
✔ Container docker-sandbox-1 Started 1.1s
✔ Container docker-weaviate-1 Started 1.1s
✔ Container docker-ssrf_proxy-1 Started 1.1s
✔ Container docker-api-1 Started 0.7s
✔ Container docker-worker-1 Started 0.7s
✔ Container docker-nginx-1 Started 0.8s
在此阶段可能会遇到下列失败的情况，可以尝试切换源解决 我当时的条件
- 修改配置后重启 docker
- 办公网环境下
docker compose up -d
[+] Running 9/9
✘ web Error context canceled 14.9s
✘ redis Error context canceled 14.9s
✘ db Error context canceled 14.9s
✘ nginx Error context canceled 14.9s
✘ ssrf_proxy Error context canceled 14.9s
✘ sandbox Error Head "https://registry-1.do... 14.9s
✘ api Error context canceled 14.9s
✘ worker Error context canceled 14.9s
✘ weaviate Error context canceled 14.9s
Error response from daemon: Head "https://registry-1.docker.io/v2/langgenius/dify-sandbox/manifests/0.2.10": Get "https://auth.docker.io/token?scope=repository%3Alanggenius%2Fdify-sandbox%3Apull&service=registry.docker.io": EOF
解决方法
- 右上角齿轮图标进入设置 -> Docker engine，在配置中添加
- 写入以下内容 ocker）
{
// ...
"registry-mirrors": [
"https://docker.hpcloud.cloud",
"https://docker.m.daocloud.io",
"https://docker.unsee.tech",
"https://docker.1panel.live",
"http://mirrors.ustc.edu.cn",
"https://docker.chenby.cn",
"http://mirror.azure.cn",
"https://dockerpull.org",
"https://dockerhub.icu",
"https://hub.rat.dev"
]}
4.2 Dify 创建聊天
- 访问http://localhost/（默认 80 端口） 进入 dify
- 首次进入初始化设置账号密码
- 点击 Dify 平台右上角头像 → 设置 → 模型供应商，选择 Ollama，轻点“添加模型”。
在配置 url 时，因为是 docker 服务，http://localhost:11434 存在无法访问的情况，可以尝试host.docker.internal:11434
4.至此，可以开始创建应用，在主页选择 全部 -> 创建空白应用 -> 填入应用信息即可
4.3 Dify 知识库创建
-
主页选择 知识库 -> 创建知识库 -> 上传知识 -> 等待处理完成
-
进入聊天应用，选择刚才创建的知识库，即可开始带有私域知识的沟通
五、应用测试
5.1 翻译场景
1.本地客户端具有部分国际化测试文件需要执行翻译，格式示例如下，多层嵌套的 json 格式，value 为string类型。需要利用大模型对整个 json 文件进行翻译，将中文翻译为英文后按原格式返回
// zh.json
{
"window": {
"willUnload": {
"title": "确认刷新当前页面吗?",
"message": "系统可能不会保存您做的更改",
"unload_bt": "重新加载",
"cancel_bt": "取消"
}
}
}
ocker）
2.实际应用测试，以deepseek-r1:7b/14b模型做测试。得到结果如下
3.执行脚本trans.js
const fs = require("fs");
const axios = require("axios");
// 1. 读取本地JSON文件
const readJsonFile = (filePath) => {
return new Promise((resolve, reject) => {
fs.readFile(filePath, "utf8", (err, data) => {
if (err) {
reject(err);
} else {
resolve(JSON.parse(data));
}
});
});
};
const MODEL = "deepseek-r1:14b";
// 2. 调用本地大模型接口进行翻译
const translateText = async (text, key) => {
let response;
try {
console.time(`run worker ${key}`);
response = await axios.post("http://localhost:11434/api/generate", {
// model: 'deepseek-r1:7b',
model: MODEL,
prompt: `有部分客户端国际化的配置文件，内容为json格式，需要翻译，要求按步骤进行翻译：
1. 将中文翻译为英文
2. 保持原有json格式不变，将value替换成翻译后的文本
3. 你始终以合法的JSON格式响应，返回结果格式如: {"key1":"翻译后的文本1","key2":"翻译后的文本2"}，直接返回结果，不需要符号包裹
配置文件
"""${JSON.stringify(text)}"""`,
stream: false,
});
console.timeEnd(`run worker ${key}`);
const splitText = "</think>";
const startIndex = response.data.response.indexOf(splitText);
const result = response.data.response
.slice(startIndex + splitText.length)
.trim()
.replace(/<<+|>>+/g, "");
// console.log('response.data.response:', response.data.response, JSON.parse(result), result)
return JSON.parse(result); // 假设接口返回的翻译结果在response.data.translatedText中
} catch (error) {
console.error("翻译出错:", key);
return translateText(text, key); // 如果翻译失败，返回原文
}
};
// 3. 并行翻译逻辑（手动控制并发）
const translateJson = async (jsonData, concurrency = 5) => {
const entries = Object.entries(jsonData);
const translatedData = {};
let currentIndex = 0; // 当前处理的任务索引
// 定义工作线程：每个线程不断处理下一个任务
const worker = async () => {
while (currentIndex < entries.length) {
const index = currentIndex++;
if (index >= entries.length) break; // 所有任务已完成
const [key, value] = entries[index];
try {
translatedData[key] = await translateText(value, key);
} catch (error) {
translatedData[key] = value; // 保留原文
}
}
};
// 启动指定数量的工作线程
const workers = Array(concurrency).fill(null).map(worker);
await Promise.all(workers); // 等待所有线程完成
const result = {};
// 保持原有顺序
entries.forEach(([key, value]) => {
result[key] = translatedData[key] || value;
});
return result;
};
// 4. 将翻译后的内容生成新的文件
const writeTranslatedJson = (filePath, data) => {
return new Promise((resolve, reject) => {
fs.writeFile(filePath, JSON.stringify(data, null, 2), "utf8", (err) => {
if (err) {
reject(err);
} else {
resolve();
}
});
});
};
function compareObjectsWithPath(obj1, obj2, path = "") {
// 类型不同时直接返回路径
if (typeof obj1 !== typeof obj2) {
return { success: false, path: path || "root" };
}
// 处理可遍历对象（对象或数组）
if (typeof obj1 === "object" && obj1 !== null && obj2 !== null) {
const isArr1 = Array.isArray(obj1);
const isArr2 = Array.isArray(obj2);
// 数组类型不一致
if (isArr1 !== isArr2) {
return { success: false, path: path || "root" };
}
if (isArr1) {
// 数组长度不同
if (obj1.length !== obj2.length) {
return { success: false, path: path || "root" };
}
// 递归检查数组元素
for (let i = 0; i < obj1.length; i++) {
const currentPath = `${path}[${i}]`;
const result = compareObjectsWithPath(obj1[i], obj2[i], currentPath);
if (!result.success) return result;
}
return { success: true };
} else {
// 检查是否为纯对象（字面量对象）
const isPlainObj1 = isPlainObject(obj1);
const isPlainObj2 = isPlainObject(obj2);
if (isPlainObj1 !== isPlainObj2) {
return { success: false, path: path || "root" };
}
// 非纯对象（如 Date、RegExp）需检查是否均为字符串
if (!isPlainObj1) {
return typeof obj1 === "string" && typeof obj2 === "string"
? { success: true }
: { success: false, path: path || "root" };
}
// 合并所有 key 并检查数量
const keys1 = Object.keys(obj1);
const keys2 = Object.keys(obj2);
const allKeys = new Set([...keys1, ...keys2]);
if (allKeys.size !== keys1.length || allKeys.size !== keys2.length) {
return { success: false, path: path || "root" };
}
// 递归检查每个属性
for (const key of allKeys) {
const currentPath = path ? `${path}.${key}` : key;
if (!keys1.includes(key) || !keys2.includes(key)) {
return { success: false, path: currentPath };
}
const result = compareObjectsWithPath(
obj1[key],
obj2[key],
currentPath
);
if (!result.success) return result;
}
return { success: true };
}
} else {
// 基本类型：检查是否均为字符串
return typeof obj1 === "string" && typeof obj2 === "string"
? { success: true }
: { success: false, path: path || "root" };
}
}
// 判断是否为纯对象（字面量对象）
function isPlainObject(value) {
return Object.prototype.toString.call(value) === "[object Object]";
}
// 主函数
const main = async () => {
console.time("run main");
const inputFilePath = "./locales/zh.json"; // 输入的JSON文件路径
const outputFilePath = `output_${MODEL}.json`; // 输出的JSON文件路径
try {
// 读取JSON文件
const jsonData = await readJsonFile(inputFilePath);
// 翻译JSON内容
const translatedData = await translateJson(jsonData);
// 将翻译后的内容写入新文件
await writeTranslatedJson(outputFilePath, translatedData);
console.log(
"翻译完成，结果是否存在遗漏项：",
compareObjectsWithPath(jsonData, translatedData)
);
console.log("翻译完成，结果已写入:", outputFilePath);
} catch (error) {
console.error("处理过程中出错:", error);
}
console.timeEnd("run main");
};
// 执行主函数
main();
7b
run worker window: 1:16.909 (m:ss.mmm)
翻译出错: window
run worker contextMenu: 1:19.915 (m:ss.mmm)
翻译出错: contextMenu
run worker autoUpdater: 1:24.182 (m:ss.mmm)
run worker menu: 1:54.272 (m:ss.mmm)
run worker openWindowWarn: 2:08.219 (m:ss.mmm)
翻译出错: openWindowWarn
run worker contextMenu: 54.257s
翻译出错: contextMenu
run worker createPreloadFileWarn: 1:05.595 (m:ss.mmm)
翻译出错: createPreloadFileWarn
run worker window: 1:13.320 (m:ss.mmm)
翻译出错: window
run worker openWindowWarn: 42.933s
run worker renderer: 1:06.620 (m:ss.mmm)
run worker contextMenu: 58.129s
run worker createPreloadFileWarn: 51.205s
run worker window: 1:10.067 (m:ss.mmm)
翻译出错: window
run worker window: 17.583s
翻译出错: window
run worker window: 16.479s
翻译出错: window
run worker window: 53.783s
翻译完成，结果是否存在遗漏项： { success: false, path: 'menu' }
翻译完成，结果已写入: output_deepseek-r1:7b.json
run main: 5:08.166 (m:ss.mmm)
----------------
run worker openWindowWarn: 27.835s
翻译出错: openWindowWarn
run worker window: 47.317s
翻译出错: window
run worker contextMenu: 1:00.365 (m:ss.mmm)
翻译出错: contextMenu
run worker openWindowWarn: 42.320s
run worker window: 1:00.580 (m:ss.mmm)
翻译出错: window
run worker menu: 2:01.575 (m:ss.mmm)
翻译出错: menu
run worker contextMenu: 1:05.158 (m:ss.mmm)
run worker autoUpdater: 2:08.553 (m:ss.mmm)
run worker createPreloadFileWarn: 1:41.123 (m:ss.mmm)
run worker window: 1:28.518 (m:ss.mmm)
翻译出错: window
run worker renderer: 1:46.725 (m:ss.mmm)
run worker menu: 1:54.031 (m:ss.mmm)
翻译出错: menu
run worker window: 57.867s
run worker menu: 1:16.267 (m:ss.mmm)
翻译完成，结果是否存在遗漏项： { success: false, path: 'menu' }
翻译完成，结果已写入: output_deepseek-r1:7b.json
run main: 5:11.880 (m:ss.mmm)
翻译结果
"window": {
"willUnload": {
"title": "What should you confirm before refreshing the current page?",
"message": "the system might not save your changes",
"unload_bt": "Reload",
"cancel_bt": "Cancel"
}
},
14b
run worker window: 2:15.983 (m:ss.mmm)
run worker contextMenu: 2:17.554 (m:ss.mmm)
run worker autoUpdater: 3:02.960 (m:ss.mmm)
run worker menu: 4:06.753 (m:ss.mmm)
run worker openWindowWarn: 4:14.074 (m:ss.mmm)
run worker createPreloadFileWarn: 2:04.443 (m:ss.mmm)
run worker renderer: 2:21.099 (m:ss.mmm)
翻译完成，结果是否存在遗漏项： { success: true }
翻译完成，结果已写入: output_deepseek-r1:14b.json
run main: 4:38.673 (m:ss.mmm)
------------------------
run worker autoUpdater: 1:34.068 (m:ss.mmm)
run worker openWindowWarn: 1:57.715 (m:ss.mmm)
run worker window: 2:09.907 (m:ss.mmm)
run worker contextMenu: 2:14.214 (m:ss.mmm)
run worker renderer: 1:38.631 (m:ss.mmm)
run worker createPreloadFileWarn: 2:24.484 (m:ss.mmm)
run worker menu: 4:16.409 (m:ss.mmm)
翻译出错: menu
run worker menu: 2:00.482 (m:ss.mmm)
翻译完成，结果是否存在遗漏项： { success: true }
翻译完成，结果已写入: output_deepseek-r1:14b.json
run main: 6:16.900 (m:ss.mmm)
翻译结果
"window": {
"willUnload": {
"title": "Confirm to refresh the current page?",
"message": "The system may not save your changes.",
"unload_bt": "Reload",
"cancel_bt": "Cancel"
}
},
4.整体体验下来，14b 模型在翻译工作上比 7b 模型更为准确，一次性翻译成功率高。7B 模型翻译结果噪声多，返回结果可序列化效果差。翻译结果远远不如 14b。
结论
14b 在 macos 执行效率能满足特定业务场景要求
在大模型时代，我们如何有效的去学习大模型？
现如今大模型岗位需求越来越大，但是相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。
掌握大模型技术你还能拥有更多可能性：
• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；
• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；
• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；
• 更优质的项目可以为未来创新创业提供基石。
可能大家都想学习AI大模型技术，也想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把都打包整理好，希望能够真正帮助到大家。
👉掘金大礼包🎁：[全网最全《LLM大模型入门+进阶学习资源包》免费分享] （安全练接，放心点击） ]👈
一、AGI大模型系统学习路线
很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，下面是我整理好的一套完整的学习路线，希望能够帮助到你们学习AI大模型。
第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；
第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
二、640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF书籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型各大场景实战案例
结语
👉掘金大礼包🎁：[全网最全《LLM大模型入门+进阶学习资源包》免费分享] （安全练接，放心点击） ]👈
