基于 Cherry Studio+Ollama+DeepSeek 构建私有知识库

上期教程我们已实现在本地部署大模型，但尚未构建知识库系统。本期将带领读者完成基于 Cherony Studio+Ollama+DeepSeek 的私有知识库搭建，核心将采用 BGE-M3 向量模型实现知识嵌入。

一、向量模型选型：BGE-M3

1.1 技术背景

北京智源人工智能研究院（BAAI）研发的 BGE-M3（多语言长文本向量检索模型），以其独到的 Multi-Linguality（多语言）、Multi-Functionality（多功能）和 Multi-Granularity（多粒度）特性，成为新一代通用向量模型标杆 1。

1.2 核心特性

模型架构

• 预训练架构：基于 BERT 风格的 Transformer Encoder
• 训练数据：覆盖 100+语言的多样化语料库
• 嵌入维度：1024 维稠密向量，平衡语义表达与计算效率

性能优势

• 榜单表现：MTEB 基准测试中跨语言场景领先
• 开源优势：综合性能超越 OpenAI text-embedding-3-small（MIT 协议开源）

1.3 应用场景矩阵

二、2.1 模型获取

ollama pull bge-m3

查看是否下载成功。

三、配置本地 ollama

打开设置

找到 ollama

四、知识库配置

五、添加知识文档

cherry 可以添加文档，也可以添加目录（这个极其方便），添加完以后出现绿色的对号，表示向量化完成。

这里我添加了自己的 2023，2024 年度总结。

六、搜索验证

1. 点击左上角的聊天图标
2. 点击助手
3. 点击默认助手（你也可以添加助手）
4. 选择大模型
5. 选择本地 deepseek，也可以选择自己已经开通的在线服务
6. 设置知识库（不设置不会参考）
7. 输入提问内容

七、系统优势解析

采用本地化部署方案具有三重价值：

1. 数据安全性：全链路离线处理，规避云端数据泄露风险
2. 知识发现效率：支持语义级关联检索（准确率达 92%1）
3. 开发辅助能力：代码习惯学习功能提升 30%编码效率

明天我们将带领大家学习如何提问。