MaxKB 新手保姆级教程：从零到一，亲手搭建你的专属 AI 知识库助手

优质文章学习记录

— 20 min read
MaxKB 新手保姆级教程：从零到一，亲手搭建你的专属 AI 知识库助手

你是否曾想过，能拥有一个只回答你自己领域知识的 AI 聊天机器人？一个能 7x24 小时为客户解答产品问题、为公司员工提供内部资料查询的智能客服？MaxKB 就是这样一款强大且开源的工具，它能帮助你轻松实现这个想法。

本文是一篇面向新手的、极其详尽的指南。将手把手带你完成 MaxKB 的安装、配置，并深入讲解如何创建和优化你的知识库，最后还将详细拆解其最强大的“高级应用”功能，让你真正掌握这个利器。

一、安装 MaxKB：三步搞定，小白也能行

对于新手而言，服务器环境配置往往是第一道坎。别担心，我们选用宝塔面板来简化一切操作。

    1. 执行安装命令
      Docker 环境就绪后，点击面板左侧的 终端，这会打开一个命令输入窗口。复制以下这行命令，粘贴进去，然后按下回车键。

准备 Docker 环境
登录你的宝塔面板，在左侧菜单栏中找到并点击 docker。如果你是第一次使用，系统会提示你安装 Docker。这是一个全自动的过程，你只需要点击确认，然后泡杯茶，等待它安装完成即可。

docker run -d --name=maxkb --restart=always -p 8080:8080 -v ~/.maxkb:/var/lib/postgresql/data -v ~/.python-packages:/opt/maxkb/app/sandbox/python-packages registry.fit2cloud.com/maxkb/maxkb
这行命令在做什么？• docker run: 这是告诉 Docker 运行一个新容器。• -d: 让容器在后台安静地运行。• --name=maxkb: 给你的容器取个名字叫 maxkb，方便管理。• --restart=always: 确保容器在服务器重启后也能自动运行。• -p 8080:8080: 将服务器的 8080 端口映射到容器的 8080 端口，让我们能访问到 MaxKB。• -v ...: 这是最重要的一步，它将容器内的数据（如数据库和Python包）保存到你的服务器本地，这样即使容器被删除，你的数据也不会丢失。

验证安装
等待命令执行完毕。回到宝塔面板的 docker 管理界面，点击 容器列表。如果你能看到一个名为 maxkb 的容器，并且状态是“运行中”，那么恭喜你，MaxKB 已经成功安装并启动了！

二、配置 Nginx 反向代理：让访问更专业

默认情况下，你需要通过 http://你的服务器IP:8080 这样的地址来访问 MaxKB，这既不方便记忆，也不够专业。下面我们来配置一下，让你可以通过自己的域名（例如 ai.xxx.com）来访问它。

  1. 创建成功后，进入该网站的根目录（/www/wwwroot/ai.xxx.com），在里面手动创建一个名为 ui 的空文件夹。
    1. 修改 Nginx 配置文件
      回到网站列表，点击你刚创建站点右侧的 设置，切换到 配置文件 选项卡。找到 root /www/wwwroot/ai.xxx.com; 这一行，在它的正下方，粘贴以下已经为你准备好的配置代码：```plaintext
  3. 一切就绪！现在，打开浏览器，输入你的域名 http://ai.xxx.com/ui，你应该就能看到 MaxKB 的登录界面了。
    1. 添加 Docker 卷映射（关键一步）
      这一步的目的是让 Nginx 能直接访问到 MaxKB 容器内部的前端界面文件，实现动静分离，可以大大加快页面的加载速度。

CORS 跨域设置 add_header Access-Control-Allow-Origin ‘*’ always;add_header Access-Control-Allow-Methods ‘GET,POST,OPTIONS’ always;add_header Access-Control-Allow-Headers ‘DNT,X-Mx-ReqToken,Keep-Alive,User-Agent,X-Requested-With,If-Modified-Since,Cache-Control,Content-Type,Authorization,Access-Token,Token,formhash,shebei,token’ always;# 处理 OPTIONS 预检请求if (KaTeX parse error: Expected 'EOF', got '#' at position 45: … return204;}#̲ 规则 1: 优先处理静态 U…uriKaTeX parse error: Expected 'EOF', got '}' at position 21: …@backend_proxy;}̲# 规则 2: 捕获所有其他a…uri@backend_proxy;}location@backend_proxy { proxy_pass http://127.0.0.1:8080; proxy_set_header Host $http_host; proxy_set_header X-Real-IP $remote_addr; proxy_set_header X-Real-Port $remote_port; proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; proxy_set_header X-Forwarded-Proto $scheme; proxy_set_header X-Forwarded-Host $host; proxy_set_header X-Forwarded-Port $server_port; proxy_set_header REMOTE-HOST $remote_addr; proxy_connect_timeout60s; proxy_send_timeout600s; proxy_read_timeout600s; proxy_http_version1.1; proxy_set_header Upgrade $http_upgrade; proxy_set_header Connection $connection_upgrade;}

创建站点
在宝塔面板的 网站 部分，点击 添加站点。创建一个纯静态站点，域名填写你准备好的域名（如 ai.xxx.com），根目录会自动生成（如 /www/wwwroot/ai.xxx.com），直接创建即可。

  • • 进入宝塔面板 docker -> 容器 -> 找到 maxkb 容器 -> 点击 管理 -> 编辑容器。
  • • 点击 更多设置，点击查看，找到 挂载/映射 部分。
  • • 点击 本机目录，新增一条映射规则：
  • • 本机目录：填入 /www/wwwroot/ai.xxx.com/ui (也就是你在第1步创建的那个 ui 文件夹)

• 容器目录：填入 /opt/maxkb/app/ui/dist/ui (这是 MaxKB 容器内 UI 文件的固定路径，直接复制粘贴即可)

• 将页面拉到最底部，点击保存。容器会自动重启以应用新的设置。

三、使用自定义向量模型：m3e-base

什么是向量模型？ 简单来说，它就像一个“翻译官”，能把我们的文字（比如你的文档和用户的问题）翻译成计算机能理解的数学语言（向量）。只有翻译得准，计算机才能准确地在你的知识库里找到最相关的内容。

虽然 MaxKB 自带了向量模型，但我们可以换一个在中文处理上更优秀的模型，比如 m3e-base。

    1. 在服务器上创建并上传模型：

下载模型文件：
访问 Hugging Face 模型页面 https://huggingface.co/moka-ai/m3e-base/tree/main ，将页面上看到的所有文件都下载到你的电脑上。

• 在 /opt/maxkb/model 目录下，按照这个层级 models--moka-ai--m3e-base 创建新的文件夹，然后将你第一步下载的所有 m3e-base 模型文件，全部上传到这个新建的 m3e-base 文件夹里。

• （可选但推荐）回到终端，执行 cd /opt/maxkb && docker cp maxkb:/opt/maxkb/model . 命令，将容器内的默认模型复制出来作为备份。

• 在宝塔面板的 文件 管理中，进入 / 根目录，然后依次创建 /opt/maxkb/model 这两层目录。

如果你觉的一个个下载模型太麻烦，可以直接使用 脚本下载
必须保证服务器已安装 python3.8+版本和git工具，然后依次执行下列命令

如果你的机器配置比较高，也可以使用 m3e-small 模型，效果会更好，只需要将上述示例中的base 字符都改成 small

    1. 将模型目录挂载到容器：
      和上一步类似，再次编辑 maxkb 容器，添加一条新的卷映射：
  • • 本机目录：/opt/maxkb/model

• 容器目录：/opt/maxkb/model

保存并等待容器重启。

在 MaxKB 后台添加新模型：
登录 MaxKB，进入 系统设置 -> 模型设置 -> 添加模型，选择 本地模型。

  • • 模型名称：可以随意取，比如 m3e。
  • • 模型类型：务必选择 向量模型。

• 基础模型 和 模型目录：都填写你上传模型的绝对路径 /opt/maxkb/model/models--moka-ai--m3e-base。为避免出错，建议直接复制粘贴这个路径。
点击保存。如果没有报错，就说明添加成功了！如果报错，99%的可能是你填写的路径和服务器上的实际路径不符，请仔细检查。

成功后效果如图：

四、添加 DeepSeek 大语言模型

如果说向量模型是帮你找资料的“图书管理员”，那大语言模型（LLM）就是阅读资料并组织语言回答你的“专家”。这里我们添加一个性价比很高的 DeepSeek 模型。

在 模型设置 中，点击 添加模型，选择 DeepSeek。填写一个自定义名称（如 deepseek-chat），模型选择 deepseek-chat，然后将在 DeepSeek 官网获取的 API Key 填入即可。

五、创建知识库及注意事项

这是最核心的一环，知识库的质量直接决定了你的 AI 助手的“智商”。

    1. 知识库上传法则：

创建时务必选对向量模型：点击 知识库 -> 新建知识库。在创建界面，最重要的一步是 向量模型 的选择，请选择我们刚刚添加的 m3e。一旦知识库创建并导入了文档，再想更换模型，就意味着所有文档都要删掉重来，非常耗时耗力！

  • • 法则一：小文件，分批传。 虽然系统提示可以上传很大的文件，但除非你的服务器是“天河二号”，否则请务必将大文档（比如一个超过20MB的文件）手动拆分成多个小文件。单次上传的文件数量也最好控制在5个以内，否则下一步的预览可能会失败，造成无法导入。
  • • 法则三：开启“混合检索”。 在知识库的设置里，强烈建议开启“混合检索”。它会同时使用语义（像人一样理解）和关键词（像传统搜索一样）两种方式来查找，能大大提高找到正确信息的概率。

• 法则二：忽略“假失败”，查看真进度。 当你上传了稍大的文件并开始导入后，前端页面可能会因为等待超时而显示红色的 失败 提示。别慌！这通常是假象！ 后端的向量化任务其实还在勤勤恳恳地运行。你可以忽略这个提示，直接到知识库的文件列表页面，那里会显示真实的处理进度。当然，最好的策略还是遵守第一条法则，从源头上避免这个问题。

六、创建高级应用：给你的 AI 装上“大脑”

高级应用是 MaxKB 的精髓所在。它让你能像搭积木一样，设计 AI 的工作流程。

进入编辑界面后，你会看到一个流程图画布。

操作铁律：对画布的任何修改，都必须点击右上角的 保存。保存后，必须点击 发布，你的改动才能在聊天窗口真正生效。

核心概念：节点与变量

  • • 节点：画布上的每一个方块都是一个“节点”，代表一个功能，比如“开始”、“知识库检索”。每个节点左上角都有一个中文名字，我们可以修改它。
  • • 变量：节点之间通过“变量”来传递信息。变量的格式是固定的：{{节点名.输出变量名}}。
  • • 举例说明：{{开始.question}} 的意思是：找到名为 开始 的那个节点，获取它输出的一个名为 question 的变量的值。在默认流程里，这个值就是用户输入的问题。同理，{{知识库检索.data}} 就是获取 知识库检索 节点找到的知识片段。

默认流程详解

    1. 开始：这是起点。用户输入一句话，这个节点就把它打包成一个名为 question 的变量。
    1. 知识库检索：这是“图书管理员”。它的“检索问题”栏里需要填入 {{开始.question}}，告诉它要根据用户的问题去知识库里找资料。它找到的资料会打包成 data 变量。
    1. 判断器：这是“交通警察”。它根据条件指挥流程走向。例如，它可以判断 知识库检索.data 是否为空，如果找到了资料就走 IF 分支，没找到就走 ELSE 分支。
    1. AI 对话：这是“专家”。它最重要的设置是 提示词 (Prompt)，也就是给 AI 下达的指令。

一个优秀的提示词模板：

你是XX公司的专业客服。请严格根据下面[已知信息]来回答用户的[问题]，禁止使用任何你自己的知识或进行编造。如果[已知信息]中没有答案，就回复："抱歉，关于您的问题，我暂时没有找到相关信息。"[已知信息]：{{知识库检索.data}}[问题]：{{开始.question}}

这个模板清晰地告诉 AI 它的角色、信息来源、回答的依据以及找不到答案时的标准回复。

玩法升级：使用“函数”组件

假如你想在每个回答后面都自动加上一个时间戳，怎么办？“函数”节点可以帮你实现！

实战：为 AI 的回答添加时间戳

    1. 添加节点：在“AI 对话”节点之后，从右侧组件列表拖入一个“函数”节点，并用鼠标将它们连接起来。
    2. 编写代码：点击“函数”节点进行设置。在代码编辑器里，粘贴以下 Python 代码：```plaintext
      import datetime# 这是固定的函数入口，ai_answer 是我们自己定义的输入参数名defprocess(ai_answer: str) -> dict: # 获取 AI 的原始回答 # ai_answer 这个变量名可以自己取，但要和下面的输入参数设置保持一致 # 获取当前北京时间并格式化 beijing_time = datetime.datetime.utcnow() + datetime.timedelta(hours=8) time_str = beijing_time.strftime(“%Y-%m-%d %H:%M:%S”) # 将原始回答和时间戳拼接成新的文本 final_response = f"{ai_answer}\n\n—\n该回答由 AI 生成于 {time_str}" # 将处理结果以字典形式返回 # “response_with_timestamp” 将成为这个函数节点的输出变量名 return {“response_with_timestamp”: final_response}
    3. 配置输入参数：在函数节点的“输入参数”部分，点击“添加”，参数名填写 ai_answer（与代码中保持一致），参数值填写 {{AI对话.answer}}。这一步是告诉函数，它的输入数据来自哪里。
    4. 使用函数输出：这个函数执行后，会产生一个名为 response_with_timestamp 的新变量。现在，在流程最后的“结束”节点里，将它的 answer 字段的值从原来的 {{AI对话.answer}} 改为 {{函数.response_with_timestamp}}。
更多函数可查看maxkb官方论坛分享: https://bbs.fit2cloud.com/t/topic/11004
更多高级应用玩法可参考论坛帖子: https://bbs.fit2cloud.com/t/topic/7753

通过以上步骤，你就成功地对 AI 的输出进行了自定义加工！MaxKB 的强大之处就在于此，通过这些节点的自由组合，你可以创造出满足各种复杂需求的智能应用。

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

在这里插入图片描述

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：

在这里插入图片描述
  • 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！

在这里插入图片描述
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。
img
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。
img
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。
img
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。
img
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。
img
L5阶段：专题集丨特训篇 【录播课】
img


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”！

Read more

DDColor保姆级教程：Docker Compose编排WebUI+API+Redis队列完整栈

DDColor保姆级教程：Docker Compose编排WebUI+API+Redis队列完整栈 1. 为什么需要一个“完整栈”？——从单点工具到生产就绪 你可能已经试过DDColor的在线Demo，上传一张泛黄的老照片，几秒后看到它被温柔地染上色彩：青砖灰瓦透出暖调，祖母旗袍的暗纹浮起绛红，天空渐变出真实的钴蓝。那一刻很震撼——但回到实际使用中，问题就来了： * 每次都要打开网页、点选文件、等加载，批量处理20张照片得手动点20次； * 想把着色能力集成进自己的图库管理系统？官方只提供Python脚本，没接口、没鉴权、没并发控制； * 多人同时上传时，GPU显存爆满，任务排队崩溃，连错误提示都没有； * 更别说保存历史记录、查看处理日志、监控队列积压情况了。 这些不是“功能缺失”，而是工程落地的真实断层。DDColor作为模型很强大，但单靠一个inference.py脚本，它只是实验室里的艺术品。真正的“历史着色师”，需要能7×24小时稳定运行、支持多人协作、可追溯、可扩展的完整服务栈。 本教程不讲模型原理，不跑训练代码，

实战演练：基于快马平台快速构建一个支持tokenp钱包登录的DApp前端

今天想和大家分享一个实战项目：如何快速构建一个支持TokenP钱包登录的DApp前端。这个项目特别适合想学习Web3开发的初学者，整个过程在InsCode(快马)平台上完成，省去了本地环境配置的麻烦。 1. 项目准备 首先需要明确几个核心功能：钱包连接、用户信息展示、链上数据查询和退出登录。选择Next.js框架是因为它既支持服务端渲染，又能很好地与各种Web3库集成。Wagmi和Viem这两个库是目前最流行的以太坊开发工具组合，能大大简化钱包交互流程。 2. 钱包连接实现 在首页添加"使用钱包登录"按钮后，通过Wagmi提供的useConnect钩子就能轻松实现钱包连接功能。这里需要注意处理用户拒绝连接的情况，以及不同钱包提供商的兼容性问题。TokenP钱包作为移动端主流钱包，通过WalletConnect协议可以很好地与网页应用交互。 3. 用户信息展示 连接成功后，使用Wagmi的useAccount钩子获取用户的钱包地址。为了提升用户体验，我做了地址缩写处理（显示前4位和后4位），并在页面顶部显示欢迎信息。这里还添加了一个复制地址的小功能，方便用户操作。 4. 链上数
【Linux网络系列】：JSON+HTTP，用C++手搓一个web计算器服务器！

【Linux网络系列】：JSON+HTTP，用C++手搓一个web计算器服务器！

🔥 本文专栏：Linux网络Linux实践系列 🌸作者主页：努力努力再努力wz 💪 今日博客励志语录：别害怕选错，人生最遗憾的从不是‘选错了’，而是‘我本可以’。每一次推倒重来的勇气，都是在给灵魂贴上更坚韧的勋章。 ★★★ 本文前置知识： 序列化与反序列化 引入 在之前的博客中，我详细介绍了序列化 与反序列化 的概念。对于使用 TCP 协议进行通信的双方，由于 TCP 是面向字节流的，在发送数据之前，我们通常需要定义一种结构化的数据来描述传输内容，并以此作为数据的容器。在 C++ 中，这种结构化数据通常表现为对象或结构体。然而，我们不能直接将结构体内存中对应的字节原样发送到另一端，因为直接传递内存字节会引发字节序 和结构体内存对齐 的问题。不同平台、不同编译器所遵循的内存对齐规则可能不同，这可能导致接收方在解析结构体字段时出现错误。 因此，我们需要借助序列化 。序列化 是指将结构化的数据按照预定的规则转换为连续的字节流。其主要目的是屏蔽平台差异，使得位于不同平台的进程能够以统一的方式解析该字节流。序列化通常分为两种形式：文本序列化 与二进制序列化 。 文

超酷！前端人必备的 3 个 Skills：搞定高级 UI，拿捏最佳实践，最后一个直接拉满“续航”！

最近和几位前端开发者聊天,发现一个有趣的现象:AI 写代码越来越快,但代码质量的差距反而越来越大。 有人用 Cursor 写出来的页面,一眼就能看出是 AI 生成的——紫色渐变背景、Inter 字体、千篇一律的卡片布局。而有的人用同样的工具,却能产出让人眼前一亮的作品。 差距在哪里?不在 AI 工具本身,而在于你给 AI 注入了什么样的"技能包" 。 今天想分享前端开发必备的三个 Skills。前两个是干货分享,能立刻提升你的代码质量;第三个可能出乎你的意料,但确实是我最近的真实体会。 Skill 1: 让 AI 懂设计，告别"AI 味"的界面 你有没有遇到过这种情况——AI 生成的页面虽然能用,但总觉得哪里不对劲? 布局平庸、配色单调、