引言
如果你的工作经常被各种各样的文件塞满，那你一定有过为了找到一个关键信息翻遍电脑心力交瘁的时候。你是否想过需要一个懂你的 ChatGPT，默默记住你慌乱中写下的笔记、背下你领导丢来的文档，在你最无助的时候解答你的困惑呢？如果是的话，这期教程将分享给你一个不是程序员都能轻松搞定的 AI 工具。看完后你将能够拥有一个属于你自己的 ChatGPT 助手。
Quivr 简介
今天将为大家介绍如何用免费开源工具 Quivr 搭建一个基于本地知识库的定制化 ChatGPT。Quivr 是一个开源 AI 框架，它能利用 GPT 等生成式 AI 的大语言模型能力处理几乎任何常见的文件类型，帮助你解析并存储文本、图片音视频等非结构化数据，最终让你能够用自然语言检索这些数据中的信息。你可以把它看作 ChatGPT，但在通用知识的基础之上，它还可以学习用户定制上传的知识内容，成为一个比 ChatGPT 更聪明的第二大脑。
安装前准备
Quivr 的 AI 能力使用了 OpenAI 的 GPT 语言模型。因此，在本地部署 Quivr 前，我们首先需要取得一个 OpenAI 的 API Key。
这个 Key 需要我们自行购买，具体的购买流程在此就不作赘述了。这样我们就有了 GPT 的连接密钥和一个初始的 Supabase 数据库。接下来我们就开始在本地安装 Quivr。
为了私有化部署 Quivr，我们首先需要从 GitHub 拉取项目源代码。没有接触过 Git 的同学，在这一步前需要先从 Git 官方网站下载安装 Git 工具。安装完成后，从命令行运行命令克隆仓库。Quivr 在当前版本做了容器化，所以我们在正式运行之前还需要在运行环境中安装 Docker。如果你的系统有可视化界面，Docker 官方提供了一个桌面管理工具的安装包，帮助你以可视化的方式完成整个安装过程。
部署教学
现在我们回到刚才拉取下来的 Quivr 源代码。不熟悉编程的同学完全不用担心，Quivr 源码中提供了一个脚本文件，我们不需要打开任何的程序，只需要在命令行中运行这个脚本，跟随提示输入需要的配置项就可以一键运行 Quivr。
这里我们只需要输入在之前的步骤中准备好的 OpenAI API Key 和 Supabase 的相关配置。等待脚本运行就完成了整个 Quivr 的启动工作。我们跟随提示注册验证邮箱，并且登录之后，首先能看到的是一个文件上传入口。
在这里我们可以进行第一步：语料的上传。我们在开头提到的各种文件格式都可以在这里被 Quivr 解析成向量数据并保存到数据库，随后提供给语言模型检索。同时我们还可以指定一个可以公开访问的网站地址，让 Quiver 爬取有用的信息。那在这里我选择上传一个示例 PDF，在 Quiver 提示上传成功之后，我们就可以在左上角进入聊天页面与 AI 进行对话。
总体来说，Quivr 遵循这么一个检索逻辑：首先在我们自己的知识库中检索，如果找到匹配的答案，就使用 GPT 模型去生成回答。只有在没有匹配的信息的情况下，Quivr 才会调用 ChatGPT 的通用知识库。这样的设计既保证了我们的定制化 AI 优先为我们上传的语料提供精准回答，又支持在无法找到语料的情况下仍能提供有意义的回应。
通过实际的比较能明显看到，Quivr 在我们提供了语料后，相比起原生的 ChatGPT，生成的回答有了非常好的针对性。
模型微调
如果你只是想用这样一个知识库工具尝尝鲜，那么教程到这里就是 Quivr 的全部功能了。但是如果你有一定的 prompt engineer 功力，你可以在右上角的大脑图标这里对底层的 GPT 模型进行一定程度的微调。
大脑是 Quivr 一个独特的概念，你可以把它想做拥有不同分工的助手。你可以安排他们学习不同的你上传的知识，培养成不同领域的专家。他们可以有不同的模型能力，有不同的生存风格或者不同的前置 prompt，从而来实现更为动态的知识输出能力。
另外值得一提的一点是，如果你觉得上传的文件依然会经过互联网传送到 OpenAI 的公开接口，不符合你所需要的数据安全要求，Quivr 仍然提供了一个选项来让你把大语言模型搬到本地运行。你可以下载 GPT4All 等开源模型，部署到自己的服务器上，并修改对应的配置项来替换对 OpenAI 的依赖。你当然还可以本地部署 Supabase 服务，在本地维护所有持久化的数据。那么在这种情况下，你部署的 Quivr 就成了一个完全私有的内部系统，可以完整的运行在局域网中。
通过这期的讲解，我们从私有部署知识库搭建到有趣的 Quivr 大脑功能，完成了整个定制化专家系统的入门教程。如果有兴趣的网友可以留言和我交流AI方面的问题。
评论留言