有经验的 v 友看看，这个 AI 知识库私有化部署的方案行吗，怎么改进

[XinPingQiHe]

背景

客户方为集团公司，有相当的规模。

需求

1.大量企业内部使用的行业规范、行业标准文档,需要以文本格式加入知识库。 2.有会议录音，能自动生成会议纪要（区分讲话人），供办公人员修改及使用。 3.必须私有化部署。

暂定方案

知识库及大模型，使用 ollama + qwen2.5:b14 + AnythingLLM 录音到会议纪要，Whisper ASR

问题

客户也是先咨询咨询，这边也是搭建私有环境，做一些测试。 结果，觉得上传的一批 pdf 文档，查询知识库结果，关键词抓取的不是很满意。Whisper 看过 ，整合到系统，还没用。 目标是先验证整体效果的可行性，再与客户沟通、再做相关的应用对接开发 总体来说，也是一些尝试，不知大家有没有更好的，具备可行性的方案。

[zqx0310liubo]

这是 rag 还是直接做的 prompt ，效果不行需要调试把，看上去你们的模型 size 也不大，能换个大点的么？

[musi]

目前 RAG 没有做的好的，想做好成本不是一般大，说真的，你要是真能做好数据检索你都可以融波钱直接财富自由了

[hmxxmh]

需求第一个，可以用 dify+qwen2.5, 第二个会议录音的没用过，不知道怎么集成进去

[Leon6868]

whisper ASR 似乎没法精准分割说话人，我目前也在做涉及语音纪要的功能，可以交流交流

[Leon6868]

@Leon6868 #4 个人测试，qwen2.5 32B 占用、速度和效果是最平衡的，也适合本地部署

[wxd21020]

同类型需求，马住，希望 OP 成功，借鉴学习。

[wanglinjie0926]

加个收藏 跟个后续。

[ShutTheFu2kUP]

战略性插眼，学习方案

[linwuhi]

战略性插眼，学习方案

[magicZ]

@Leon6868 #5 用 next-gen kaldi ，录音如何设置好固定人数，应该能识别的不错。qwen2.5 32B 用什么卡？能支持几线请求啊，我只用过 4090 24G 部署 7b 的，同时请求，5 线比较稳定

[RonniePolaer]

插眼，我们也在找相关的解决方案

[younger027]

战略性插眼，学习方案

[ccsert]

1. 行业规范文档处理
预处理脚本: 需要对文档进行预处理，包括去除无关信息、格式化文本、提取关键内容等。可以使用 Python 脚本结合正则表达式、BeautifulSoup 等工具进行处理。

文档清洗: 文档中可能包含图片、表格等复杂内容，这些内容可以通过 OCR 提取文本，或者通过专门的文档解析工具（如 Apache Tika ）进行处理，现在有一些多模态的大模型对图片也有一定的理解，可以考虑尝试。

AI 二次提纯: 使用一些开源大语言模型将对提取的文本进行进一步处理，去除噪声、提取关键信息，这里实际提示词工程就已经可以做的比较优秀了。

知识库构建: 目前实际没有特别好的，但是因为上述的操作对文档已经做了清洗和提纯，到这一步实际使用一些 embedding 模型和开源向量库即可了，后续做知识库问答的时候可以使用一些简单的 rag 平台，例如 dify 这些以外部 api 的方式对接，这里个人觉得 dify 的知识库效果实际比较一般，当然也可以将处理好的文本内容通过 dify 的知识库 api 调用生成也不错。

2. 会议录音处理
说话人识别: 可以使用开源工具如 Kaldi 、pyannote.audio 等进行说话人识别。如果能在源头解决实际会更好一些，比如在会议录制的时候就确定说话人。

会议纪要生成: 这一步实际比较简单结合现有开源大模型提示词工程生成会议纪要。如果想做的更细致一些，可以在处理音频或视频数据的时候打时间轴标签。

时间轴跳转: 可以在生成的会议纪要中加入时间戳，方便用户快速跳转到特定时间点的内容。

3. 私有化部署
语言大模型选择: 目前开源的大模型效果已经很不错了，如果资金充裕，deepseek 私有化部署一整套包括预训练环境好像就是 50w 左右
整个过程实际工程量非常庞大，涉及的领域也比较庞杂，就算上述的基本要素已经具备，也还涉及大量的开发，文本解析，数据处理，提纯，甚至多智能体协同，函数调用都需要整合起来使用才能达到目标需求

[ccsert]

@ccsert 这里虽然是行业规范文档，但是实际 ai 处理时候并不一定认为是规范的，在 embedding 过程中可能还是会出现拟合的情况，所以有时候清洗后二次提纯是很有必要的

[williamZXS]

战略性插眼，学习方案

[moomtong]

ollama 主要的场景还是在个人 pc 上跑模型，没有大范围的生产用例。

RAG 的效果是需要根据数据定制化去调的，首先 embedding 横向对比，然后文档的提取和切分方法，像你提到的 pdf 有些开源 RAG 本身内容提取就做的比较烂，可以看看导入的内容准不准确，表格之类读没读出来，标题和编号之类结构化信息有没有保留、能不能查到等等。还有排序方法也可以定制化去改。进一步提升效果的话内容本身也要做增强，补数据、摘要等等。还有不少其它的，网上资料很多可以看看。

但其实在这些之前，既然是集团公司，他们自己的文档现在是在哪里，云文档？公司有自己的知识库吗、要不要对接、现在有远程会议应用吗、有会议室录音硬件吗、你的服务是类似 gpt 的形式还是已有应用内插件的形式，这些个人感觉是先要考虑/谈的。

语音方面 Whisper 本身能力是很 ok 的，但是很可能还需要说话人识别。然后比较现实的问题是会议录音的音质，有的人可能离话筒远很小声，和多个人同时说话这种，目前业界也没什么很好的解。

[jemmy1980]

战略性插眼，学习方案

[paceewang1]

战略性插眼，学习方案

[cshwen]

战略性插眼，学习方案

[ttimasdf]

现在卡脖子的技术是数据清洗和 embedding ，再等个几年吧

[JayZXu]

手头有个项目也在尝试做这个，也参加了不少厂家宣发活动。简单来说，很困难
RAG 其实说实话，就是再重走一遍搜索引擎的老路，而且资料还得自己整理

一方面是数据预处理的方法很难把握，因为作为开发实际上没有用户那么精准的把握，随便分段的结果就是一开始奠定了失败。
另外一方面是，系统的易用性需要持续不断的维护和改造，但是对于企业来说，一个没有立竿见影效果的项目，很容易中途夭折。（上次参加百度的大模型宣发时，主讲就强调了，大模型落地需要领导坚定的信心和支持才能做成。）


AI 知识库目前还是靠向量搜素来压缩语义，靠原来的 ES 分词之类的关键词搜索还是达不到要求。另外向量搜素也会出现跟提问偏差很大的情况，所以还需要 ReRank 模型重排结果。上面完整的开源项目可以参考 fastgpt ，https://doc.fastgpt.cn/docs/course/rag/ 里面有知识库搜索的实现方法。

目前我手上的项目主要步骤
1. 特定文档定制的切分方案，丢给 ES 存储，同时将切分文本丢给向量模型转换成向量存向量数据库
2. 用户问问题，ES 搜索 + 向量数据库搜索返回 Top K ，返回的 2K 个文本用 ReRank 模型排序打分，然后文本去掉低评分的丢给大模型

上述的方法能一定程度改善本来有文本但是搜索不准的问题。

[scstriker]

@musi graphrag 也不行么？看一些介绍不是还好。

[musi]

@scstriker #22 graphrag 成本也挺大的，预先通过 llm 提取出文档中的实体，意味着最起码需要把所有的文本让 llm 过一遍，最终还是要走到 graph search 这一步。其实目前市面上的文档检索是和 llm 无关的，llm 在 rag 能做的只有数据预处理和后处理，效果还是取决于检索，如果只用 graph search 这一种方式还是很难达到预期

[kneo]

说句不好听的，你没那两下，这活硬接下来和骗钱没区别了。

[YiXinCoding]

私有化部署语音转会议纪要这块我有经验。可以演示，商用合作可以联系我。邮箱：eWl4aW4uY29kaW5nQHFxLmNvbQ==

[beginor]

ollama/llama.cpp 之类的虽然快+省，但是对多模态模型支持比较差，或者说是很差。

企业级应用没有多模态支持，说不过去，这个需求满足不了，估计很难让金主满意。

但是用 Python 部署的话，需要的资源得增加几倍才行。

[asahim]

战略性插眼，学习方案

[Leon6868]

@magicZ #10 我用 4 卡 v100 ，lmdeploy

[hwb]

战略性插眼，学习方案

[DreamingCTW]

我最近也在部署，目前是 ollama+qwen2.5:72b ，知识库没找到什么好的方案，我单位文档居多，没有音频需求。

[XinPingQiHe]

多谢各位的建议，方案优化及大模型整合到应用，正在进行中

[qqqnnn]

战略性插眼，学习方案

[mingcore]

战略性插眼，学习方案

[zjudongze]

插眼，我在公司内部搞了一个框架，效果太差，已经继续不下去了

[specture]

有类似需求,mark 一下

[scstriker]

@musi ok 感谢您的建议，我感觉这套预处理方法比单纯套一个 RAG 模型重要多了。