蓝耘MaaS驱动PandaWiki:零基础搭建AI智能知识库完整指南

蓝耘MaaS驱动PandaWiki:零基础搭建AI智能知识库完整指南
此教程使用的环境是:Ubuntu Server 22.04 LTS 64位 2核心4G内存的Linux服务器。
文章摘要:
本文详细介绍了如何使用蓝耘MaaS平台驱动PandaWiki搭建AI智能知识库系统的完整流程。PandaWiki是一款基于AI大模型的开源知识库系统,具备AI创作、AI问答、AI搜索等强大功能。
教程从零开始,首先指导用户注册蓝耘MaaS平台并获取API密钥和模型名称,然后通过一键脚本在Ubuntu Server 22.04环境下快速部署PandaWiki。重点介绍了如何配置蓝耘MaaS平台的DeepSeek-v3.1-Terminus模型,实现高性价比的AI能力支持。
文章通过实战演示,展示了将ZEEKLOG博客批量导入知识库的完整过程,包括Markdown文件上传、数据拉取、批量发布等操作步骤。最终测试验证了AI问答功能的实际效果,系统能够准确理解用户问题并从知识库中检索相关内容提供智能回答。
整个部署过程简单高效,适合企业和个人快速构建智能化的文档管理和知识问答系统,为用户提供了一个低成本、高性能的AI知识库解决方案。

文章目录

前言

PandaWiki 是一款基于 AI 大模型的开源知识库搭建系统,能够帮助用户快速构建智能化的产品文档、技术文档、FAQ 和博客系统。通过集成大模型能力,它提供了 AI 创作、AI 问答、AI 搜索等强大功能。

在选择 AI 模型服务时,我们通常关注两个核心指标:响应速度成本控制。本文将详细介绍如何使用蓝耘MaaS平台为 PandaWiki 提供高性价比的 AI 能力支持。

蓝耘MaaS平台的优势显而易见:

新用户可获得大量免费 Tokens ,响应速度快,支持多种主流大模型

蓝耘免费额度展示

第一步:注册蓝耘MaaS平台

1.1 访问注册页面

点击访问 蓝耘MaaS平台 进行注册。

蓝耘注册页面

第二步:获取API密钥

2.1 创建API密钥

  1. 切换到MaaS平台页面
  2. 在左侧菜单栏找到「API KEY管理」
  3. 点击「创建API KEY」按钮
  4. 系统将自动生成唯一的API密钥
  5. 重要:请妥善保存此密钥,它是调用AI服务的身份凭证
创建API KEY

第三步:获取模型名称

DeepSeek-v3.1-Terminus 模型为例,其完整的模型名称为:

/maas/deepseek-ai/DeepSeek-V3.1-Terminus 
模型名称获取

第四步:安装PandaWiki

4.1 执行安装命令

使用root权限执行以下一键安装命令:

bash-c"$(curl-fsSLk https://release.baizhi.cloud/panda-wiki/manager.sh)"

4.2 Docker环境检查

如果系统未安装Docker,安装脚本会提示是否需要安装:

Docker安装提示

4.3 选择安装目录

系统会询问PandaWiki的安装目录,默认路径即可(直接回车):

选择安装目录

4.4 等待安装完成

耐心等待Docker镜像构建完成:

镜像构建过程

4.5 获取访问信息

安装完成后,系统会显示:

  • 访问地址
  • 默认账号密码
  • 注意:记得在防火墙或安全组中开放相应端口
安装完成信息

第五步:配置PandaWiki

5.1 登录系统

使用浏览器访问提供的地址,输入默认账号密码登录:

登录页面

5.2 配置AI模型

PandaWiki需要配置智能对话模型来提供AI功能:

模型配置需求
配置蓝耘模型

在模型配置页面填入:

  • API密钥:之前获取的蓝耘API Key
  • 模型名称:完整的模型路径
  • API地址https://maas-api.lanyun.net/v1蓝耘MaaS平台的API端点
保存配置

第六步:创建知识库

6.1 创建新知识库

为您的知识库起一个有意义的名称,然后点击创建:

创建知识库

6.2 导入文档内容

进入后台管理界面,点击「创建文档」:

创建文档

PandaWiki支持多种导入方式:

导入方式选择

实战演示:将ZEEKLOG博客导入到PandaWiki知识库中

6.1 准备数据

本例演示如何将ZEEKLOG博客文章批量导入PandaWiki。首先将所有文章导出为Markdown格式:

导出的Markdown文件

6.2 批量导入

将所有Markdown文件上传,然后点击「拉取数据」:

批量导入文件

6.3 确认导入

系统显示导入成功后,点击「更新发布」:

导入成功
更新发布

6.4 全选发布

选择所有文档,点击确认发布:

全选发布

第七步:体验智能问答

7.1 访问知识库首页

发布完成后,访问知识库首页开始使用:

知识库首页

7.2 测试AI问答功能

尝试提问相关问题,系统能够准确的理解问题意图,从知识库中检索相关内容,提供智能化的回答,甚至能够识别和展示相关图片

AI问答效果1
AI问答效果2

总结

通过本文的详细指导,我们已经成功搭建了一个功能完整的智能知识库系统。

PandaWiki结合蓝耘MaaS平台,为用户提供了一个高效、智能的知识库解决方案。通过简单的配置和部署,即可快速搭建功能完整的AI驱动知识库系统,满足企业和个人的文档管理需求。

Read more

当 AI 学会“造沙箱“:OpenSandbox 如何让大模型安全地执行代码

当 AI 学会“造沙箱“:OpenSandbox 如何让大模型安全地执行代码

让 AI 写代码容易,让 AI 安全地运行代码?这才是真正的技术硬菜。 你有没有想过这样一个场景:你让 ChatGPT 或 Claude 帮你写了一段 Python 爬虫脚本,它写得漂漂亮亮,但你复制到本地一运行——"rm -rf /"——好家伙,人没了,数据没了,只剩下你和一台空空如也的电脑面面相觑。 当然,这只是一个极端的玩笑。但说真的,AI 生成的代码到底能不能直接运行?运行在哪里?出了问题谁来兜底?这些问题,在 AI 编程助手遍地开花的今天,已经从"理论问题"变成了"每天都要面对的问题"。 今天要介绍的 OpenSandbox,就是阿里巴巴开源的一套专门解决这个问题的"沙箱平台"

TinyML:边缘设备上的轻量化 AI 模型开发与部署

TinyML:边缘设备上的轻量化 AI 模型开发与部署

摘要 TinyML作为边缘计算与人工智能融合的新兴技术,旨在将机器学习模型部署到资源极度受限的微控制器上。本文系统阐述了TinyML的技术体系、核心挑战、关键框架及应用案例。研究表明,通过模型量化、剪枝、知识蒸馏等压缩技术,结合专用推理框架(如TensorFlow Lite Micro),能够在保持模型精度的同时,将内存占用降低至KB级别,功耗控制在毫瓦级别。TinyML技术为物联网设备上的实时智能推理提供了可行方案,在语音唤醒、视觉检测、工业预测性维护等领域展现出广阔应用前景。未来,随着算法优化与硬件协同设计的深入,TinyML将在超低功耗AI领域发挥更为关键的作用。 1 引言 随着物联网技术的迅猛发展,全球已部署的微控制器数量超过2500亿个,并且每年新增约400-500亿个。这些设备遍布从智能家居到工业监控的各个领域,产生了海量的实时数据。传统的云计算处理模式需要将数据传输至云端处理,面临延迟高、隐私泄露风险、网络依赖性强等问题。在此背景下,TinyML(Tiny Machine Learning)应运而生,它代表了机器学习模型在资源极度受限的边缘设备上运行的新范式。

AI大模型ms-swift框架实战指南(八):Qwen2.5-7B高效微调实践指南

AI大模型ms-swift框架实战指南(八):Qwen2.5-7B高效微调实践指南

系列篇章💥 No.文章1AI大模型ms-swift框架实战指南(一):框架基础篇之全景概览2AI大模型ms-swift框架实战指南(二):开发入门之环境准备3AI大模型ms-swift框架实战指南(三):模型部署初体验4AI大模型ms-swift框架实战指南(四):大模型推理实践完全指南5AI大模型ms-swift框架实战指南(五):大模型推理加速技术揭秘6AI大模型ms-swift框架实战指南(六):本地部署Chat对话全流程7AI大模型ms-swift框架实战指南(七):InternVL 2.5部署推理实战8AI大模型ms-swift框架实战指南(八):Qwen2.5-7B高效微调实践指南 目录 * 系列篇章💥 * 前言 * 一、环境准备 * 二、依赖安装 * (一)安装ms-swift * (二)安装vllm * 三、模型下载 * (一)安装lfs * (二)下载模型 * 三、模型推理 * 四、模型微调 * (一)数据集准备 * (二)模型微调 * (三)推理微调后权重文件 * (四)

AI助力开发:用WC.JS1.8.8网页版快速构建动态页面

快速体验 1. 打开 InsCode(快马)平台 https://www.inscode.net 2. 输入框内输入如下内容: 使用WC.JS1.8.8网页版创建一个动态表单页面,包含姓名、邮箱和提交按钮。表单提交后,数据通过AJAX发送到后端并显示成功提示。利用AI自动生成响应式布局和表单验证逻辑,确保在不同设备上都能良好显示。 1. 点击'项目生成'按钮,等待项目生成完整后预览效果 最近在做一个需要快速搭建动态表单页面的项目,尝试了用WC.JS1.8.8网页版结合AI辅助开发,整个过程比想象中顺畅很多。这里记录下具体实现思路和踩坑经验,特别适合需要快速交付前端页面的场景。 1. 项目背景与工具选择 需求是要做一个用户信息收集的表单页面,包含姓名、邮箱输入框和提交按钮。考虑到开发效率,选择了WC.JS1.8.8这个轻量级框架,它内置了响应式支持和DOM操作简化API。更关键的是配合AI工具自动生成重复性代码,把精力集中在业务逻辑上。