本地AI知识库

要解决什么问题

很多团队想把知识库搭在本地或内网，原因很直接：客户资料、内部文档和模型提示词不能随便上传到公有云。但真动手时，问题会集中爆发：现有机器内存够不够、选哪个中文模型、向量库怎么部署、哪些数据不能出网、备份怎么做才能在误删后恢复。网上能搜到的大多是“原则性建议”，听完仍然不知道下一步该敲什么命令、改哪张配置表、按什么标准验收。本地AI知识库 针对的正是这个断层：它不负责替你决定业务方向，而是把已经明确的目标和素材，转换成可执行、可检查、可继续修改的工程方案。

技能如何工作

技能围绕五个能力展开：部署选型、硬件估算、模型选择、隐私分级、备份维护。使用时可以按功能索引直接触发，例如问“我的电脑能不能跑”“中文问答用什么模型”“哪些资料不能上传”。

标准工作流分五步：

• 盘点数据敏感度、用户数和响应要求
• 选择完全本地、内网或混合架构
• 按硬件约束选择模型和向量方案
• 设置账户、目录权限和备份加密
• 用真实资料验证速度、质量和恢复流程

输出遵循固定结构，便于 review 和交接：

• 理解确认：一句话说明目标、对象和限制
• 可用成品：方案、脚本、表格、命令或结构化结果
• 判断依据：解释关键选择，不堆砌概念
• 验收清单：给出可自行检查的标准
• 下一步：只列最值得继续做的 1–3 项

稳定性上强调 证据优先、失败可见 和 安全默认：未执行的动作不会被描述成已完成；写入、删除、支付、发信、发布和权限变更都需要明确确认。信息不足时先给基于假设的初版，最多追问 3 个关键参数。

适用边界与注意点

硬件估算 只是初步建议，实际性能必须用真实语料和并发量测试。本地部署不等于安全，误删、弱口令和未加密备份仍是高频风险点。模型许可证和商业使用条款需要逐项核对，尤其是把知识库用于对外产品或商业交付时。若请求超出能力边界，技能会明确说明不能直接完成的部分，并给出合规的替代步骤或人工接管点。