Anything LLM是一款基于RAG架构的本地知识库工具，能够将文档、网页等数据源与本地运行的大语言模型（LLM）相结合，构建个性化的知识库问答系统。它支持多种主流模型的API接入方式，如OpenAI、DeepSeek等。下载和安装过程都比较简单，这里就不详细介绍了。安装完成后，打开Anything LLM，第一步就是模型，这里我们选择Ollama，工具会自动读取我们本地已经安装的模型：然后下一步应该是选择Embedding（嵌入模型）和Vector Database（向量数据库）。这里有说下这两个概念：Embedding（嵌入）和Vector Database（向量数据库）- Embedding（嵌入）：通过一个专门的模型来把你上传的文本、表格数据等本地文件处理成机器能理解的 “数字代码”。相似的文本在这个向量空间中距离会更近。比如，“苹果”和“水果”这两个词的嵌入向量就会比较接近，而“苹果”和“汽车”就会离得很远。
- Vector Database（向量数据库）：用来存储上一步处理好的 “数字代码” 的数据库，它能够高效地存储和检索这些向量。当你有一个问题时，它会把问题转换成向量，然后在这个仓库里快速找到和问题最相关的向量。比如，你问“苹果是什么？”它会在这个仓库里找到和“苹果”相关的向量，比如“水果”“红色”“圆形”等。
然后输入一个 Workspace（工作区）名称，我们可以在不同的工作区里设置不同的知识库：初始化完成后，我们还可以去设置里更改Embedding和Vector Database：嵌入模型其实也非常重要，它处理的准确性直接决定了基于知识库回答的准确度，我们这里先选的是默认的 AnythingLLM 提供的嵌入模型，它是完全运行在本地且免费的嵌入模型。向量数据库我们也选择默认的LanceDB，它也是完全运行在本地且免费的。 初始设置完成后，我们尝试运行一下： 知识库的质量直接决定了模型基于知识库回答的效果，AI 友好的知识库结构，首先应层次清晰，按主题、领域或功能分类，建立从概括到具体的合理层级，像图书馆分类摆放书籍；还要易于检索，有精准关键词索引、全文检索功能和智能联想，方便快速定位知识；并且通过知识图谱、交叉引用建立数据关联，形成知识网络。 为了方便测试，我们让 AI 帮我生成一个测试的知识库数据，使用 MarkDown 格式： Anything LLM支持上传多种类型的文件，包括常见的文本文件（如TXT、Markdown）、文档文件（如PDF、Word、PPT、Excel）、数据文件（如CSV、JSON） 等等：我们把刚才生成的知识库文件上传上去，并且添加到当前工作区，然后保存。但是，在客户端下使用还是太局限了，Anything LLM 还提供了 API 调用的能力，这样我们就可以通过代码来灵活定制我们的使用场景，可以做很多事情，比如：私人知识管理工具、企业内部智能客服等等。 Anything LLM在本地启动的端口默认是 3001 。我们先要理解 Anything LLM 的两个概念：- Workspace：一个独立的环境，用于存储和管理与特定主题或项目相关的文件和数据。用户可以在工作区中上传文件、配置参数，并与模型进行交互。每个工作区的数据是独立的，互不干扰，方便用户对不同主题或项目进行分类管理。
- Thread：工作区中的一次具体对话记录，代表用户与模型之间的一系列交互。它会记录用户的问题和模型的回答，保持对话的连贯性。用户可以在一个工作区中创建多个线程，分别处理不同的问题或任务，方便管理和追溯每次对话的内容。
我们可以在设置 - 工具 - API 密钥下创建 API 密钥，并且查看 Anything LLM 提供的 API 文档： 可以看到，Anything LLM提了非常详细的 API，基本上客户端内能做的事情都能使用 API 调用，包括各种设置、知识库上传、与大模型交互等等 ，点开每个 API 可以看到具体的参数详情，也可以直接测试调用：最常用的当然是和大模型聊天的接口，因为Anything LLM中与大模型的交互都发生在Workspace下的Thread中：我们看到关键的两个参数是slug和threadSlug，其实这两个参数就分别代表Workspace和Thread的唯一标识，在客户端我们是看不到这两个标识的，我们可以通过接口创建新的Workspace和Thread来获取，或者通过接口查询已有的Workspace和Thread的slug： | 
