前言
上一篇文章简单的介绍了下MaxKB，这一篇文章就讲如何部署MaxKB。
MaxKB实现逻辑也比较简单，如下图。
安装
修改Docker镜像源
由于不可抗力，部分源已经无法使用，需要修改以下的源地址来拉取镜像。如果是linux，则修改docker本地的daemon.json：
添加以下内容
"registry-mirrors": [
"https://docker.m.daocloud.io",
"https://ccr.ccs.tencentyun.com",
"https://dockerproxy.com",
"https://mirror.ccs.tencentyun.com"
]
如果是windows，则使用打开Docker Desktop 点击设置，修改docker engine 里的配置信息，添加上述内容，重启即可
启动Docker
在本地创建maxkb目录，用于数据持久化，启动docker
docker run -d --name=maxkb -p 8080:8080 -v F:\\maxkb\\:/var/lib/postgresql/data 1panel/maxkb
启动后输入：http://10.11.24.27:8080/ui/login
默认账号是admin，密码是MaxKB@123…
登录后
添加本地模型
添加Ollma模型（Ollma 部署请参考其他教程）
key可以随便写，Ollama 默认端口为11434
添加模型成功
创建知识库
成功导入后：
在绑定应用之前，先进行命中测试
重算了好几次向量，最终还是能答出来一点。
创建应用
创建应用关联知识库
创建应用成功
知识库分享
点击演示
经过多轮的尝试，终于可以正确回答问题。
知识库分段优化
如果知识库文本比较多的时候，导入的时候建议选择高级进行分段。
部分本文内容：
问题：午餐时间是什么时候？
回答：午餐时间为每天12:00PM至1:00PM。
问题：打印机报错怎么处理？
回答：打印机报错请联系IT部门进行维修处理。
选择高级分段后，回答问题命中率比较高了点。
总结
整体来说，MaxKB虽然部署简单，但是知识库处理能力还是太弱了，Embeding模型不能自定义，而且消耗token比较大，只能适用本地大模型。
如果使用智能分段处理问题，命中率低，使用高级分段就比较准点，适用于比较规范的问题模板，当然对于大文本来说，手动处理分段就非常麻烦了。
对于开发者来说，好处在于前端使用Vue，后端是Django，非常适合二次开发，可以持续关注。
