一、为什么要学习大模型

大模型当下实在太火了。再不搞搞就落伍了，原本想着再混个十几年就能退休，这下好了，不搞这个，感觉两年就混不下去了，计算机行业太卷了。

之前一直做了一个个人图书馆超简易的全文检索工具，虽然有Everything这种工具，但是它毕竟只能检索文件名，windows自带的全文检索又不方便。网上有很多的其他工具，总感觉不好。最后还是自己来动手搞了一个，勉强作为一个检索补充的工具。

这个工具，用的Lucene作为全文检索引擎，前端用winui。支持用正则查，全文关键词查找等。但是，在到了现在，调优大模型来做检索和聊天式交互，这种人机交互性不只是量级的提升，完全是划时代的提升，直接从远古社会进入的现代。

二、技术选型

针对我想做的场景，选来选去用最终决定是用的技术架构的dify+deepseek，具体如下：

DeepSeek是目前大模型技术下炙手可热的模型，可用于信息检索、个性化推荐或自然语言处理任务。这里使用它可以本地化部署的【deepseek-r1:70b】。

Ollama最核心的目标就是可在本地运行大型语言模型，而且很方便的获取多种预训练的大数据模型。

知识库核心目标是提供个性化业务知识，是自定义/适配企业的核心。支持可导入自己本地文本数据或通过 Webhook 实时写入数据以增强 LLM 的上下文。

模型接口是Dify对接各大模型提供商的统一接口，包括对接Ollama、千问、OpenAI、DeepSeek等。

Dify是一个强大的低代码大模型开发平台，专注于 AI 驱动的。能够快速接入多个大数据模型，并提供相关的辅助能力，快速构建模型应用，包括Aget、聊天助手、工作流、ChatFlow等。

这里面最核心的概念是Dify、Ollama、还有DeepSeek模型，理解清楚三者的定义以及三者间的关系是最重要的。

（一）下面三者的关键特征：

（二）三者之间的核心关系：

三、最终效果

先来看看最终的部署效果，这个是在【知识库】导入【语料】后的结果。

*注：这个70B的模型在我机器上实在是太慢了。

四、本地化部署

本次部署使用的是基于docker部署dify。原计划是想秀一下，用源代码的方式来构建部署dify，奈何那个官方步骤实在太坑，关键步骤实在还难走头通了。即便削尖了脑壳走到了最后，还是卡在了模型配置页面，什么模型也配置不了。最终走到了下面这一步，模型供应商白屏了。

当下还是先尽快用起来玩一下，后面再做细化部署和调优。那就暂时先放一边，从docker部署开始，怎么快怎么来吧。

（一）安装WSL。

WSL使用户可以在 Windows 上安装和运行多种 Linux 发行版（如 Ubuntu、Debian、Kali Linux 等）。我使用的是Ubuntu。

使用wsl --install 指令进行安装Ubuntu发行版（默认）。

安装完后，确认下。并且可以使用wsl，–set-default Ubuntu 2
进行手动的发行版切换。

（二）安装DockerDesktop。

这个安装很简单。记得在Docker的【设置】中启用WSL就行。

（三）安装Ollama。

这个ollama的安装非常简便，官网下载就可以了，然后安装模型即可。但是安装模型的时候，注意各个模型的大小，别把磁盘撑爆了。试用的时候，用7B即可。

下载文件的指令，示例中是ollama run deepseek-r1：

耐心等待即可。

（四）安装Dify

a)初始进入。务必至少进入到WSL的Home目录下。（我之前就是用了WSL后，一直在WINDOWS目录下玩弄很久，结果到了Docker启动DB1镜像的时候，一直报没有
文件permission。具体问题参考：https://github.com/langgenius/dify/issues/6609

b)根据官方文档进行安装Dify，没有碰到啥问题。官方指南地址：https://docs.dify.ai/zh-hans/getting-started/install-self-hosted/docker-compose

c)登入系统，关联DeepSeek模型。

进入这个用户名下的【设置】按钮

选择Ollama添加模型

由于使用的是Docker环境，这个基础URL不能写localhos的IP地址，改用http://host.docker.internal:11434即可。

d)创建知识库。这个就是个“点击-点击-导入”的过程，都选默认就好了。

只支持部分的一些文档，这个都是单个单个的，后面看看如何批量导入。

个人导入的【语料】如下（没办法，就是这么帅）。

e)创建应用，并启用知识库：

上下文中添加知识库即可。

五、后记

这次部署，说白了只是简单的一个本地化的环境搭建，后续还需要做一些批量化的操作，例如批量化的“批量化导入知识库”、“API调用Chat”等等。当然，这个Dify还是偏向于企业级，后面再找找轻量化的大模型部署方案，才能自己套个桌面小程序。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！