- 这一节我们来全面介绍一下anythingllm的功能、设置、以及使用！
一、什么是anythingllm以及它的原理是什么？
(1)什么是anythingllm？
Anythingllm其实是一个框架，将大语言模型llm、嵌入模型、向量数据库组合起来的这么一个东西。
用土木话来举例：
anythingllm：它相当于就是一个工地，里面已经帮你找好了各种设施和人，你直接可以进去当项目经理了。
大语言模型llm：说白了就是一个技术总工这个职位，它知识渊博，但是没有专门针对你的项目的知识，你问他东西时最好给它一堆你的项目资料，这样它才能针对你这个项目进行准确的回答。这个总工可以是你公司自带的（用你自己电脑运行的，能力根据你的电脑好坏决定），也可以是临时调过来的（就是调用大公司的服务器，按说话多少收费，价格还好，但能力强，但会有隐私问题嘛）
我们常说的deepseek,openai,claude，QWEN这些语言模型，就是这个技术总工的职位。
嵌入式模型：工地里面的资料员，它负责将你给它的资料整理好，放到资料柜里面。同时，它也负责找资料。你不要想用技术总工来找资料，找不到的。（这些嵌入式模型也是专门训练将数据转化成向量坐标，也可以将向量坐标转化成文字。）
向量数据库：档案室里面的专门一排一排的资料柜（这种是专门用于AI存储和搜索的数据库）
（2）anythingllm的原理
(1)先上传资料（一堆资料）
(2)资料员这资料分块（按照大小、语言意思、标点符号）等
(3)存入档案室
(4)你提出问题A
(5)资料员找出A意思相近的几个资料B
(6)总工拿到资料A和B，回答你的问题
二、怎么设置好anythingllm
由于今天我测试时候发现，anythingllm安装的时候自带的ollama是封装版本还不能升级，
不好用，所以我重新下载了专门的windows版本。
（建议新安装版本，不然用不了最新的qwen3嵌入模型）
（2）右键安装包“以管理员身份安装”【只能默认安装在C盘】
（3）调设置，如果没有自动打开，打开左下角开始菜单，找ollama打开。
（4）记住刚才放模型这个文件夹位置，我的是f:\models
右键--我的电脑--属性--高级系统设置--环境变量--（系统变量）新建
设置参数：变量名：OLLAMA_MODELS
变量值：F:\models（你刚设定的地址）
以后大模型就下载到这里，不占用C盘大小。
（5）关闭原来anythingllm自带的ollama
找到你安装anythingllm的位置。进入resources文件
找到llm.exe这个文件，改他的名字成llm.exe.bak或者直接删除它。
（1）嵌入式模型
嵌入模型有很多种，我测试过，
anythingllm自带的嵌入模型不好用，不适合中文的。
所以建议重新下载。
（1）到ollama的官网ollama.com/search
（2）打开你的CMD或者powershell
输入进去，回车。等待下载安装。
（3）选择嵌入模型
返回到anythingllm
1、要么在cmd中输入ollama serve打开它
2、要么点击开始-ollama打开它才会出现选择
（2）LLM大语言模型
这个同样的操作，到ollama官网上下载合适你电脑大小的大语言模型
推荐
（1）deepseek r1的1.3b-----支持128k上下文
(2)qwen3:1.7b--最新发布
（3)选择调用API模型
anythingllm里面可以选deepseek和moonshot两个
到官网注册platform.deepseek.com/usage
冲5元可以用很久了。复制自己的api key。
moonshot月之暗面
platform.moonshot.cn/console/acc…
(3)向量数据库的设置
就用默认这个，我查过问过很多次了
lanceDB适合个人使用，包括后续升级、迁移到服务器以及响应和性价比，都是最适合个人的。
| 向量数据库 | 语义检索 | 全文/BM25 | 元数据过滤 | 混合召回 | 规模/延迟 | 推荐场景 |
| LanceDB | ✅ HNSW | ✅ 内置 FTS | ✅ SQL 语法 | ✅ 滑杆权重 | 单机千万级/1 ms 级 | 笔记本、单 Docker，零配置 |
| Chroma | ✅ HNSW | ❌ | ✅ 简单 where | ❌ | 百万级/5 ms | 快速 PoC，脚本调试 |
| Qdrant | ✅ HNSW+PQ | ✅ 1.8 起 | ✅ 丰富过滤 | ✅ 原生 hybrid | 10 亿级/10 ms | 本地高性能、多云 |
| Weaviate | ✅ HNSW+PQ | ✅ BM25+Filter | ✅ 类 GraphQL | ✅ 融合算分 | 10 亿级/15 ms | 需要 GraphQL 接口、企业多租户 |
| Milvus/Zilliz | ✅ IVF、HNSW、DiskANN | ✅ 2.4 起 | ✅ expr 字符串 | ✅ 融合算分 | 100 亿级/20 ms | 超大规模、K8s 云原生 |
| Pinecone | ✅ HNSW | ❌ | ✅ 简单过滤 | ❌ | 同区 1 亿+/25 ms | 完全托管、无运维，生产即服务 |
- AnythingLLM 的召回=“向量 + 可选全文 + 可选过滤 + 可选重排”。
- 能否玩“全文”“混合”完全取决于你选的向量数据库——LanceDB/Qdrant/Weaviate/Milvus 可以，Chroma/Pinecone 不行。
- 2025 年想“开箱即用”选 LanceDB；要“企业级高并发”选 Qdrant；要“百亿向量云原生”选 Milvus/Zilliz；要“零运维托管”选 Pinecone。
| 维度 | LanceDB（默认） | Chroma | Qdrant | Weaviate | Milvus/Zilliz | Pinecone |
| 部署难度 | 0（随 AnythingLLM 自带） | 1 行 pip | 需起 Docker | 需起 Docker | 需 3 容器/K8s | 0（托管） |
| 单机资源占用 | 内存 200 MB 起 | 内存 500 MB 起 | 内存 2 GB+ | 内存 2 GB+ | 内存 8 GB+ | 无 |
| 最大单机能存 | ~1 亿向量 | ~数百万向量 | ~5 千万向量 | ~5 千万向量 | 无上限 | 无上限 |
| 混合检索 (BM25) | ✅ 内置 | ❌ | ✅ | ✅ | ✅ | ❌ |
| 运维/升级 | 无感知 | 重启脚本即可 | 手动重启容器 | 手动重启 | 需监控 etcd+minio | 全自动 |
| 云费用（腾讯云轻量 4C8G） | 60 元/月 | 60 元/月 | 120 元/月 | 120 元/月 | 250+ 元/月 | 按量 30-100 元/月 |
| 闭源锁定 | 无 | 无 | 无 | 无 | 无 | ❌ 完全托管 |
| 推荐指数（单人） | ⭐⭐⭐⭐⭐ | ⭐⭐ | ⭐⭐⭐ | ⭐⭐ | ⭐ | ⭐⭐⭐⭐ |
（3）参数怎么设置
anythingllm里面有很多参数直接影响问答的效果，但并没有完全正确的答案，只能因为每个人的资料不同而最佳参数不一。
1、文本拆分和分块首选
因为我们将资料放入AI知识库不是整个文档放入，而是将文档拆成差不多大小的一张资料，这样存放的。
我这里设置的是最大可以2048个字符作为一张资料，然后下一张资料开头会复制上一张资料的后256个字符。
通俗讲：
““把一整本设计图纸切成一段段‘钢筋笼’（块），每根笼最长 2 048 字符；相邻两根笼要互相搭接 256 字符的箍筋，保证受力连续不脱节。”
为什么要这样做？
你的资料员不够强！
如果我想将整个资料盒放一块可以吗？
可以，加钱。
同时你的总工要够厉害，不然这么短时间读不懂这么多资料。
加钱也可以解决。
建议处理：将你的电脑参数发给AI，要包含内存大小、CPU、显卡等参数，让它推荐你最佳参数。
这个是允许你的资料员将资料拆成多大。
这个数越大，对电脑要求越高。
和上面这个文本拆分填一致也可以。
问ai
2、工作区如何设置？
Search Preference（搜索策略）
- Accuracy Optimized ＝「宁可多花 10 秒，也要把钢筋笼焊牢」 系统会：
- 多召回几段 → 用 rerank 重打分 → 再送 LLM
- 速度变慢，但「漏钢筋」概率最低
最大上下文片段（Max Source Chunks）
- 官方文字：每次聊天/查询最多送多少段文档给大模型
- 土木类比：「一次吊装最多几根钢筋笼」
- 段数越多 → 吊车越大 → 答案越全，但 token 费用↑
- 段数越少 → 吊装快，但可能漏关键受力区
文档相似性阈值（Similarity Threshold）
- 官方文字：「低于这个分数的文档段，一律不要」
- 土木类比：「低于 XX MPa 的混凝土，一律退场」
建议选中或高→ 过滤「看起来有点像但实则无关」的段，答案更干净。你的提问越精准，建议选高。先手选低或无限制，后面调高。
