R1 API支持的本地知识库都是一个卑鄙的人。在深处践踏坑里之后，我发现了两个“残酷”的抹布真相。

问错误的问题=就像进入污水坑一样。我认为这是一个错误，但是我也收到了官方社区的“音乐会答案”来纠正我的观点。

在部署了 + R1的本地知识库解决方案之后，瘦新生A迅速使用春节假期，以简单，快速，新手和无代码压力的优势进行更多尝试和探索。

特别是sublime text自动保存，在尝试使用 +R1的本地知识库进行操作之后：

在等待了几种有效的实施方案之后，我对自己的出色能力感到惊讶。我突然感到 - “ AI可以从天堂起床。”

但是，当我们探索更深入的场景时，我们发现我们被“进入坑”。尤其是在阅读了主要平台上主要博客作者的文章之后，几乎所有这些都集中在“如何在专业开发人员领域中部署本地知识库并快速开始”或“抹布练习”，很少有人使用普通的纯粹用户。 “深入探索和分享应用程序技能。”

在下面，我将在当地知识库和相关的“抹布真相（2025年2月）中分享一些陷阱”

本文的内容：

1. 初始认知（误区）2. 怎么就“离开DeepSeek R1 API”的加持，本地知识库就是渣渣了？3. 为什么“AnythingLLM”打造的是本地知识库”，本地体现在哪里？4. 那怎样查看和查找本地结果呢？5. 问错问题=入天坑，有你中招的情况没？6. 不理解本地知识库的原理，以为是出Bug了……官方社区暖心答复7. 收货及思考：收货及思考

最初的认知（误会）

如前所述，在解锁了成功应用本地知识基础的四个经典之后，我突然感到：如果您获得了宝藏，LLM就在手中，而Rag可以做所有事情。

因此探索：

经过几次通过[场景繁殖] - [参数调整] - [结果比较分析] - [找到关系原理和过程] - [获得初步结论]，发现了两个“残酷的真理”。

为什么“离开R1 API”的祝福？当地知识库是一巴掌吗？

当[场景繁殖]时，重点是对“产量数据分析洞察力”的繁殖和探索。由于受欢迎程度，它一直受到海外的攻击。直到今天（农历新年的第七天），API申请和使用功能尚未恢复。

部署了几个本地模型后，进行了比较尝试。

当通过本地模型重现其他几种方案时，获得的结果基本相同：很难匹配“ R1 API（通常称为：在线全血式版本R1）”的“几乎完美的性能”。

因此，我再次致敬：期待API的恢复并解锁更可靠的场景！

为什么“”创建一个“本地知识基础”，而当地区域在哪里反映？

总体而言，“本地”的表现是：知识是本地，大型模型是在本地部署的，在本地进行操作，并且结果在本地。

那么，您如何查看并找到本地结果？ 1。当地对话记录

您可以通过小型扳手徽标的“配置”导出“工作区聊天历史记录” - “管理员” - “对话记录”以支持CSV和JSON格式。 Xiao A-Jun通常以JSON格式导出和文本打开视图（或IN）。

2。本地存储文件夹

所有存储的文件的地址是：c：\ users \ user \\ - \

（1.7.x版）每个文件夹的存储内容被排序如下：

以下是本地存储文件夹中子文件夹的一个排序表，包括每个文件夹的功能和存储内容：

文件夹名称功能和存储内容

存储用户上传的文档文件的JSON文件切片。

[该向量数据库中的“数字”直接访问]文档的嵌入式向量（）根据语义搜索和相似性匹配的工作区存储。

通过嵌入式推理或特定任务存储本地模型文件（例如语言模型，嵌入式模型等）。

日志

[基本上未查看]存储系统日志文件并记录运行时错误，警告和信息，以促进故障排除。

-缓存

上传工作空间后，此文件夹中存在带有“缓存”徽标的文件：它存储临时的缓存数据，例如文档片段或中间结果处理，以加快后续操作。

温度

在完成任务完成后，通常会自动清洁临时文件，例如下载文件或处理中的临时数据。

存储代理代理插件文件，用于扩展系统功能或集成第三方工具。

其中，在探索抹布时，最大的参考值（学习）值是缝制文件。例如，打开一个可以获得以下信息：

例如，

该文档对新手和初学者非常有帮助，以了解搜索生成的本地知识基础抹布增强的过程和逻辑。

问错误的问题=您是否有任何情况？

我遇到了以下所有情况：

一开始，我根本不了解当地知识库的原则，并认为这是一个错误...

经常遇到“文本截断”问题之后，我认为这是一个错误。 Xiao A的脸实际上在官方社区中发布了这个问题：

** [ - 实验室/-llm] [错误]：“ - for-”。

我提交的问题（让我跳过它们，这是如此基本，哈哈）：

问：当我一个txt文件或pdf文件（书本或a的a或a）时，请使用（text块尺寸= 512，text块= 38），the，带有.i看到计数为100 -300。

当我问这个问题时，这是什么关键，其中有多少个单词？

多少？他们在哪里？

您可以在The中找到“ XXX”吗？

官方社区回答：

LLM也在抹布中。抹布，从根本上。

多少？他们在哪里？

再次，会全神贯注

您可以在The中找到“ XXX”吗？

这也将全文在抹布中，但是。

您阅读了有关工作的文档：＃llms-do-not-

， - 不是一个，不是你。您的LLM并没有大大适合您的大型。如果我们只是让您将RAM锁定sublime text自动保存，而CPU将100％或LLM失败。

您将文本放入LLM中，甚至不是可以的。抹布（这是我们使用的）来缩小碎片，然后仅询问碎屑，并且对您的使用有意义。

这可以使用，但这是这些类型的“整体”。你问。

LLM不知道A是什么，它是什么样子，多少页，而不是文本。即使这样做的唯一方法是使用非常大的（2m）或 - 同样的sil l和许多人同时使用。因此为什么抹布。

这些内容可能值得部署本地知识库的新手 - 仔细研究和纠正认知。

接收商品和思维

在大型模型时代，好的问题比好的答案更好。

同样，本地知识库：提出错误的问题=进入坑并找到错误的对象。

经验：本地知识库似乎是“超级数据文员”，但不是“全文搜索者”，也不是“全方位决策者”。

充分利用它的核心在于：阐明边界，利用优势和避免弱点以及协调人机的界限。

您的使用良好吗？您有更好的本地知识基础解决方案吗？

欢迎为您的问题或经验留言，探索和共同取得进展。

如有侵权请联系删除！