使用ChatBox构建本地知识库

配置ChatBox

根据 使用ChatBox和AI对话 页面配置好ChatBox

内嵌向量化模型

构建知识库需要使用向量模型将文本转换成LLM模型可以识别的向量。

市面上的大部分教程都是推荐使用Ollama搭一个本地的LLM环境并拉取向量化模型实现该功能。但这几乎没法在一些配置较低的电脑上运行（或者运行很慢）。所以我们仍需要在网络上寻找模型运营商来解决这个问题。

由于DeepSeek官方并未提供内嵌向量化模型。所以需要去别的运营商那里寻找答案。

在搜索了各个运营商后，我发现硅基流动(SiliconFlow)公司提供的bge-m3模型符合需求，且该模型免费。

以下教程皆使用硅基流动的向量模型编写并测试通过。

获取硅基流动API Key

• 注册硅基流动账户： 硅基流动注册页面
• 然后应该会跳转到模型广场，如果没有跳转，则可以使用这个 链接
• 点击左侧API密钥，与DeepSeek类似，我们需要在硅基流动中获取一个密钥。
• 在ChatBox中的设置的模型设置中选择硅基流动，填写获取的密钥

可选：设置视觉内嵌模型

• 点击模型的新建按钮，在弹出框中输入模型名称THUDM/GLM-4.1V-9B-Thinking，这是一个免费的视觉向量模型
• 勾选能力中的视觉，保存。
• 
• 

配置本地知识库

• 点击设置中的知识库
• 点击创建首个知识库
• 设置知识库的名称、内嵌向量模型、重排模型、视觉模型(可选)，点击创建
• 在创建好的知识库里点击上传文件，点击文本上传框或直接将文件拖入，即可开始上传。等待上传完成。
• 上传完成后，文件右侧会显示一个绿色上传成功图标，如果出现失败，可尝试重传，或检查模型配置。
• 藉此你已经完成了第一个本地知识库的创建。

使用知识库对话

• 我在上一步将当前网站的独立游戏相关的文档添加进知识库中，以下使用这个知识库作为模型回答的依据。
• 点击新的对话。点击本地知识库按钮，选择刚完成配置的本地知识库。
• 提问：什么是Godot？使用知识库内容进行回答，ChatBox会调用DeepSeek回答问题，中途需要调用知识库时会自动请求知识库的内容。
• 成功根据博客内容作答。