从零搭建本地RAG知识库，你的文档终于能自己回答问题了！从安装到测试全流程讲解！

**看完你能得到什么：**一个跑在本地的私有RAG知识库，上传文档后可以直接对话提问。全程断网可用，数据不出你的电脑。

这篇文章适合谁

• 有不方便上传到公有云的文档（合同、内部手册、客户资料），想用 AI 检索
• 想在本地 GPU 上跑一个知识库问答系统，不想付费买云端方案
• 已经看过别人的教程但没跑通（这篇针对 RTX 4070 Ti 真实踩坑）
• 想尝试在自己电脑上搭建RAG的朋友

前置条件

为什么选 Langchain-Chatchat

也想尝试Dify、AnythingLLM、PrivateGPT。但是Dify 太重（Docker + PostgreSQL + Redis 全家桶），AnythingLLM 本地模型问答延迟高。Langchain-Chatchat 是一个纯 Python 项目，在 12 GB 显存上同时跑嵌入模型 + Qwen 量化 LLM，问答延迟不到 2 秒，中文生态也最好（社区全中文，有问题搜得到就好解决）。

架构速览

你的文档（PDF/Word/TXT） │ ▼嵌入模型（bge-large-zh-v1.5，1.3 GB 显存） │ 将文档转成向量 ▼向量数据库（FAISS） │ ▼LLM（Qwen2.5-7B-Instruct Q4_K_M，5 GB 显存） │ 根据检索到的文档片段生成答案 ▼回答

显存预算（ 12 GB ）

5.5 GB 的 KV cache 足够支持约 8000-12000 token 的上下文窗口，覆盖绝大多数文档问答场景。如果你的文档单篇超过 3 万字，建议切分后再上传。

环境准备

1 确认 CUDA 可用

nvidia-smi

期望正确的输出举例：

+-----------------------------------------------------------------------+| NVIDIA-SMI 560.35.03 Driver Version: 560.35.03 CUDA Version: 12.6 ||---------------------+----------------------+----------------------+| GPU Name TCC/WDDM | Bus-Id Disp.A | Volatile Uncorr. ECC || Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. ||========================+======================+======================|| 0 NVIDIA GeForce RTX 4070 Ti | 00000000:01:00.0 On | N/A || 30% 45C P8 9W / 285W | 1689MiB / 12282MiB | 0% Default |+---------------------------+----------------------+----------------------+

以我的配置举例，输入指令后得到的反馈：

这里咱们重点关注三个数字：CUDA Version（我的右上角是 13.3）、12282 MiB（确认显存总量）、RTX 4070 Ti（确认显卡型号）。

以下是CUDA 版本要求

nvidia-smi 显示的 CUDA Version 和实际装的 CUDA Toolkit 是两回事：

nvidia-smi 右上角显示的是驱动最高支持版本（比如 12.6）；你实际安装的 CUDA Toolkit 版本才是 PyTorch 编译时对标的版本。我们用 PyTorch 预编译包（cu121），不需要手动装 CUDA Toolkit——PyTorch 自带所需的 CUDA 运行时。只要驱动的 CUDA Version ≥ 11.8，你就放心往下走。

Langchain-Chatchat 依赖 GPU 加速——嵌入模型用 CUDA 比 CPU 快 10 倍以上，LLM 推理更是依赖 GPU。如果 nvidia-smi 报错或显存不足，后面所有步骤都是无效的。这一步是全链路的第一道关卡，5 秒钟，省掉后面半小时的盲目操作。

一些报错现象	原因	解决
nvidia-smi: command not found	没装 NVIDIA 驱动，或 WSL 内路径没配	WSL 用户：驱动必须装在 Windows 侧（不是 WSL 里）。去 NVIDIA 官网下载 Windows 版 Game Ready 驱动，安装后在 PowerShell 执行 wsl --shutdown，再重新打开 WSL
有输出但没有 NVIDIA GPU	集成显卡或 AMD 显卡	只有 NVIDIA 显卡才能用 CUDA。AMD 显卡需要用 ROCm，本教程不覆盖
显存 < 8 GB	显存不够同时跑嵌入模型 + LLM	① 嵌入模型用 CPU 跑（改 EMBEDDING_DEVICE = “cpu”，省 1.3 GB）② LLM 换成 Qwen2.5-3B（约 3 GB），但问答质量会下降
驱动版本 < 11.8	驱动太老	去 NVIDIA 官网下载最新驱动覆盖安装

2 安装 Ollama（管理 LLM）

一行命令就可以装上：

curl -fsSL https://ollama.com/install.sh | sh

装好后打开就是这个样子：

这里我们有两个模型要管——嵌入模型（bge）和对话模型（Qwen）。嵌入模型很小（1.3 GB），直接用 Python 库加载就行；但 Qwen 7B 的量化版本有 5 GB，手动管理 GGUF 文件 + 配置推理参数很麻烦。Ollama 一行命令下载、一行命令启动服务、统一的 API 接口，比自己折腾 llama.cpp 省一半时间。

现象	解决
curl: command not found	sudo apt install curl -y
下载速度极慢 / 连接超时	去 Ollama GitHub Releases 下载 .tar.gz，解压后 sudo mv bin/ollama /usr/local/bin/
安装成功但ollama命令找不到	新开一个终端，或执行 source ~/.bashrc

安装后验证：

ollama --version

得到ollama版本号代表安装成功：

3 创建 Python 虚拟环境

3.1 先进wsl系统：在终端输入wsl（忽视我的那两条报错）

wsl

3.2 接着安装virtualenv，安装virtualenv是为了避免直接用python3安装虚拟环境而出现的sudu密码报错，所以我们这里直接用清华源安装virtualenv，然后用virtualenv创建环境

pip3 install --break-system-packages virtualenv -i https://pypi.tuna.tsinghua.edu.cn/simple

3.3 用virtualenv创建环境

virtualenv ~/langchain-chatchat-env source ~/langchain-chatchat-env/bin/activate

👆环境创建好之后，终端前缀会加上langchain-chatchat-env的字样，就代表虚拟环境配好了。

为什么要单独配一个虚拟环境：

Langchain-Chatchat 依赖十几个 Python 包（torch、transformers、sentence-transformers、faiss、langchain 等），版本之间有严格的兼容关系。如果你在系统 Python 里直接 pip install，很快会跟其他项目的依赖打架。

虚拟环境 = 给这个项目一个独立的小房子。就算里面打得天翻地覆，外面你的系统 Python 和 Hermes 完全不受影响。装坏了删掉重来就是一瞬间的事。

现象	解决
python3: command not found	sudo apt install python3 python3-pip -y
ensurepip is not available	sudo apt install python3-venv -y。如果 sudo 不可用，直接 pip install --break-system-packages（不推荐但能救命）
source 后终端前缀没变	确认路径正确：ls ~/langchain-chatchat-env/bin/activate 存在吗？

**怎么知道虚拟环境已激活：**终端前缀会变成 (langchain-chatchat-env)。后面所有 pip install 和 python 命令都必须在这个环境下执行。如果关了终端，重新打开后需要重新执行 source 那行。

4 安装 PyTorch

如果你的CUDA是12.x（12.1-12.6），或更高比如我13.3，那用下面这串指令

pip install "torch>=2.6" torchvision --index-url https://download.pytorch.org/whl/cu121

如果你nvidia-smi 的 CUDA Version 是 11.x

把 cu121 改成 cu118：

pip install "torch>=2.6" torchvision --index-url https://download.pytorch.org/whl/cu118

输入指令后，就是等：

如果安装过程中出现下图我这种的黄色WARNING提示，并且Read timed out，不用担心，这可能是当时拉取下载时网络波动导致没下载到，会自动尝试重连下载，也就是WARNING后面会紧接着显示Downloading

整个下载过程大概会装20-30个包，大小大概3G。

等了大概10分钟，当看到出现Successfully installed就说明安装成功了。

然后我们验证一下，验证 GPU 可见：

python3 -c "import torch; print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))"

输出True和 你的显卡型号 那就对味了**。**

PyTorch 默认从 PyPI 安装的是 CPU 版本，没有 CUDA 支持。如果装了 CPU 版跑 Langchain-Chatchat，嵌入速度从秒级变成分钟级，LLM 推理直接无法加载到 GPU 上。指定 cu121 索引确保下载的是 CUDA 12.1 编译版本。

一些可能遇到的报错现象	解决
torch.cuda.is_available() 返回 False	最常见：装了 CPU 版 PyTorch。pip list
torch.cuda.get_device_name(0) 报错	GPU 序号问题。试试 python3 -c “import torch; print(torch.cuda.device_count())”，如果输出 0，回退到上一步排查驱动
pip 下载慢	加清华源：pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 -i https://pypi.tuna.tsinghua.edu.cn/simple

5 克隆项目 + 安装依赖code-snippet__js # 克隆项目 git clone https://github.com/chatchat-space/Langchain-Chatchat.git # 进入项目文件，这里的名字必须和你下载的项目名字相同（如果你是在镜像下载名字可能会出现小写） cd Langchain-Chatchat

# 安装依赖,直接用手工安装 # 锁定 langchain 版本（必须！新版 langchain 1.x 不兼容） pip install langchain==0.1.17 langchain-core==0.1.53 langchain-community==0.0.36 \ langchain-openai==0.0.6 langchain-experimental==0.0.58 langchain-text-splitters==0.0.2 \ langsmith==0.1.17 sentence_transformers faiss-cpu PyMuPDF \ -i https://pypi.tuna.tsinghua.edu.cn/simple # 从本地子包安装项目本身 pip install libs/chatchat-server --no-deps -i https://pypi.tuna.tsinghua.edu.cn/simple # 批量补装剩余依赖 pip install htbuilder humanlayer jieba json_repair langchainhub loguru markdownify \ mcp nest_asyncio numexpr opencv-python openpyxl pathlib pyjwt pymysql \ python-docx python-multipart rank_bm25 rapidocr_onnxruntime ruamel_yaml \ streamlit==1.34.0 streamlit-aggrid==1.0.5 streamlit-antd-components==0.3.1 \ streamlit-chatbox==1.1.12.post4 streamlit-extras==0.4.2 streamlit-modal==0.1.0 \ streamlit-option-menu==0.3.12 streamlit-paste-button==0.1.2 strsimpy memoization \ httpx==0.27.2 chardet \ -i https://pypi.tuna.tsinghua.edu.cn/simple

#安装项目 如果你的python是3.10-3.11 pip install langchain-chatchat -U

ps:

为什么锁死所有版本号：langchain-chatchat 0.3.1.3 基于 langchain 0.1.x 开发，清华源默认装的是不兼容的 1.x。锁版本 = 一劳永逸。

为什么 streamlit 锁 1.34.0：新版移除了 experimental_dialog 等 API，项目 WebUI 依赖它们。

为什么 httpx 锁 0.27.2：新版移除了 proxies 参数，导致 API 通信全部报错。

注意：上方的安装方式适合大多数人，但是如果你的python跟我一样是3.12，由于官方明确表示目前是支持到了3.11，所以我们3.12安装大概率报错。跟我下面的代码进行安装即可。

#手动安装,跳过依赖，因为我们已经装过了 pip install faiss-cpu -i https://pypi.tuna.tsinghua.edu.cn/simple pip install . --no-deps -i https://pypi.tuna.tsinghua.edu.cn/simple

装好之后验证一下全部依赖是否都安装上了：

#验证依赖,输出✓ 全部OK就代表安装依赖都成功 python3 -c "import langchain, fastapi, fitz, sentence_transformers; print('✓ 全部OK')"

缺什么依赖会告诉你，复制后发给你的Agent，它会给你代码。

装完之后回到项目根目录，以便咱们继续后面的配置：

cd /mnt/c/Users/你的用户名/langchain-chatchat

注意，装基础依赖的两次pip顺序不要搞反了；langchain-chatchat 是项目本身包。分开来是为了——如果装到一半报错，你能立刻定位是哪一步出了问题。揉在一起装，报错了根本不知道是谁的锅。

pip install -r requirements.txt这一步如果报错，就直接输入pip install

一些可能遇到的报错现象	解决
第一步克隆项目 git clone 超时 / 连不上 GitHub 建议大家直接用镜像	① 用镜像：git clone https://ghproxy.com/https://github.com/chatchat-space/Langchain-Chatchat.git ② 去 Gitee 搜 Langchain-Chatchat 搬运仓库，我搜到的是：git clone https://gitee.com/mirrors/langchain-chatchat.git
faiss-gpu 装不上	直接装 CPU 版：pip install faiss-cpu，然后编辑 requirements.txt 删掉 faiss-gpu 那行
externally-managed-environment	确认虚拟环境已激活。如果已激活还报错，加 --break-system-packages 参数
版本冲突（如 numpy）	先 pip install -r requirements.txt，看具体哪个包报错，手动指定兼容版本

下载模型

两个模型需要分别下载：嵌入模型（向量化文档）和 LLM（生成回答）。它们在系统里的角色完全不同。

嵌入模型：BAAI/bge-large-zh-v1.5

python3 -c "from sentence_transformers import SentenceTransformer; SentenceTransformer('BAAI/bge-large-zh-v1.5')"

这里我直接用的镜像版，在下面“一些可能遇到的报错现象”板块复制我的这串镜像代码。

嵌入模型 = 图书管理员，负责把书分类上架；LLM = 学者，负责根据找到的书回答问题。你不能让学者同时管理图书馆。

**为什么是 bge-large-zh-v1.5：**BAAI（北京智源）出品，C-MTEB 中文检索任务常年第一。large 版本虽然 1.3 GB，但检索精度比 base 版本高出一截。在 12 GB 显存里，多花 1 GB 换更高的召回率完全值得——检索质量是知识库问答的天花板。

一些可能遇到的报错现象	解决
下载极慢（国内直连慢）	export HF_ENDPOINT=https://hf-mirror.com 然后重新运行 也可以直接用这个：code-snippet__js HF_ENDPOINT=https://hf-mirror.com python3 -c "from sentence_transformers import SentenceTransformer; SentenceTransformer('BAAI/bge-large-zh-v1.5')"
sentence_transformers 模块找不到	pip install sentence-transformers
下载到一半断了	模型缓存在 ~/.cache/huggingface/hub/，重新运行会断点续传。若混用了直连和镜像，删掉缓存重试

LLM：Qwen2.5-7B-Instruct（Q4_K_M 量化）

ollama pull qwen2.5:7b-instruct-q4_K_M

为什么选 7B 而不是 3B 或 14B：
•3B：太小，知识面窄，复杂问题容易胡说。省下来的显存做不了别的事。
•14B：太大，量化后 8 GB，加上嵌入模型只剩不到 3 GB 给上下文。
•7B：刚好。Q4_K_M 量化后 5 GB，中文问答效果足够好，显存还剩 5.5 GB 给上下文。

**为什么用 Q4_K_M：**Qwen2.5-7B 原始 BF16 是 14 GB，一张卡装不下。Q4_K_M 是 llama.cpp 团队调出来的 4-bit 甜点——比 Q5 省 2 GB，比 Q3 质量明显更好。实测几乎感觉不到和完整精度的区别。

**为什么用 Ollama：**集成 llama.cpp，自动处理量化加载、显存管理。你用 transformers 要手动写 20 行加载代码；Ollama 一行命令搞定，并提供了标准 OpenAI 兼容 API。

现象	解决
ollama: command not found	Ollama 没装上。重新执行第 2 步
下载速度极慢	Ollama 注册表在国内直连可能慢。设置代理或手动下载 GGUF 后导入
显存不足警告	nvidia-smi 检查是否有其他程序占用显存

验证模型加载成功

# 测试嵌入模型HF_HUB_OFFLINE=1 python3 -c "from sentence_transformers import SentenceTransformerm = SentenceTransformer('BAAI/bge-large-zh-v1.5')print('嵌入模型加载成功, 输出维度:', m.encode('测试').shape)"# 测试 LLMollama run qwen2.5:7b-instruct-q4_K_M "你好，1+1等于几？"

正确输出：
嵌入模型 → 嵌入模型加载成功, 输出维度: (1, 1024)
LLM → 你好！1+1等于2。

安装和下载都是异步的——你敲了命令，不代表东西真的对了。花 30 秒在这里验证，省掉后面排查 10 分钟。

另外，敲了验证代码请耐心等待，加载模型需要一定时间（超过5min就别等了问AI）。

配置

初始化配置

# 进入子包目录（新版是 monorepo 结构）cd libs/chatchat-server# 创建所需目录（新版不会自动创建）mkdir -p data/knowledge_base data/media data/temp data/logs# 初始化知识库python3 chatchat/init_database.py --recreate-vs

新版没有 copy_config_example.py了，首次启动时配置自动生成，data目录需要手动创建，缺少任一目录启动都会报错。

需要修改的配置项

配置文件在data/basic_settings.yaml（首次启动后自动生成）。若使用默认 Ollama 配置则无需修改——项目会自动检测 Ollama 中的模型。如需手动配置：

# ========== LLM 配置 ==========LLM_MODELS = ["qwen2.5:7b-instruct-q4_K_M"]OLLAMA_API_BASE = "http://localhost:11434/v1"# ========== 嵌入模型配置 ==========EMBEDDING_MODEL = "BAAI/bge-large-zh-v1.5"EMBEDDING_DEVICE = "cuda"# ========== 向量库配置 ==========VECTOR_STORE = "faiss"VECTOR_STORE_PATH = "./knowledge_base"# ========== 文本分割配置 ==========CHUNK_SIZE = 500 # 每个文本块最大 token 数CHUNK_OVERLAP = 50 # 相邻块重叠 token 数

启动 #终于要启动了

# 确保在子包目录下cd libs/chatchat-server# Windows 版 Ollama 用户在 WSL 里这样调"/mnt/c/Users/<用户名>/AppData/Local/Programs/Ollama/ollama.exe" serve &# 等 2 秒sleep 2# 启动python3 chatchat/startup.py -a

**为什么先 ollama serve &：**Ollama 不是开机自启。如果没在跑，会报 connection refused。
**为什么 sleep 2：**ollama serve & 是异步的，2 秒让它初始化完。
**为什么 & 放到后台：**不加 & 会占据终端不返还。
**为什么 -a：**启动全部服务（API + WebUI）。不加只启动一个。

启动成功后显示：

浏览器打开http://localhost:8501（也可能是http://0.0.0.0:8501**）**，进入 Web 界面。

现象	解决
ModuleNotFoundError	虚拟环境没激活或依赖没装全。重新 source 激活环境，再 pip install -r requirements.txt
Connection refused	Ollama 没启动。手动 ollama serve 在前台跑一次看日志
启动卡住不动	第一次要加载两个模型到显存，正常需 30-60 秒。超过 2 分钟用 nvidia-smi 看显存
端口被占用	lsof -i :8501 找到 PID，kill -9 后重试
WSL 用户 localhost 打不开	ip addr show eth0 找 WSL IP，用那个 IP 替代 localhost

上传文档并测试 #先快速拿到结果增长信心

准备测试文档

用你自己的文档做测试。如果没有，先用一段文本试试：创建 test.txt，最好是写一段你擅长的领域知识，我是让Hermes直接出了个md格式的测试数据集，比如（下文为部分片段）：

Hermes 采用声明式工具定义，每个工具包括三个核心属性： ```yaml tool: name: "terminal" description: "Execute shell commands on Linux environment" parameters: - name: "command" type: "string" required: true - name: "timeout" type: "integer" default: 180

工具的调用流程为：用户输入 → Gateway 解析 → 匹配工具 → 生成 tool_call → 执行 → 结果注入上下文 → 模型生成回复。

> 大家尽量用自己熟悉的文档测试——AI 答错了你才能立刻判断。第一轮测试决定你对这个工具的信心。 ### 上传到知识库 1. WebUI → 知识库管理 → 新建知识库，填好名称、简介 ![](http://cdn.zhipoai.cn/c38e40fd.jpg) 2. 上传知识 ![](http://cdn.zhipoai.cn/c413ef8f.jpg) 3. 看到文档内容被正确分割成片段，就代表导入成功 ![](http://cdn.zhipoai.cn/ee2b3c75.jpg) ### 测试问答 在对话界面选择刚才创建的知识库 ![](http://cdn.zhipoai.cn/98138898.jpg) 提问1： ```plaintext Hermes Agent的核心调度器叫什么？它负责哪些职责？

可以看到匹配到了知识库的内容并引用了来源

**正确回答：**回答 Gateway，列出消息路由/工具调度/模型选择/上下文管理。

提问2：

bge-large-zh-v1.5的输出维度是多少？中文MTEB排名第几？

索引正确。

回答正确**：1024 维，#1**

知识库问答最大的风险是 LLM 胡说八道。来源引用让你能追溯到原始文档——没有来源引用的回答，默认当它不存在。

现象	原因	解决
回答完全不对，无来源引用	知识库没选对，或向量化没完成	确认对话界面选了正确知识库。回知识库管理检查向量化状态
回答大方向对但细节有误	LLM 幻觉——没检索到精确片段	把 CHUNK_SIZE 调小（如 300），让检索更细
回答像通用聊天	检索没召回内容	提问改得更精确，直接引用文档里的关键短语

常见问题速查

以上，整体就算搭建完成了，如果你跟着我的教程做，也难免会遇到很多报错的地方，请放宽心态，多和Agent对话，或者直接后台私聊我，我看到了都会第一时间帮你们解决，后面也整理了一份踩坑实录以及完整依赖清单，希望可以帮到大家。

这个工具在我的 AI 链里放在哪

Hermes 负责执行任务，Obsidian 负责记笔记，Langchain-Chatchat 负责检索我的知识库。三个工具串起来：知识库查到的东西 → 喂给 Hermes → 结果写进 Obsidian。

下一篇预告

把 Langchain-Chatchat 的知识库接进 Hermes，让 AI 助手直接检索你的私有文档来回答问题。你会发现——你不需要记住任何东西，因为你的 AI 链已经帮你记好了。

踩坑记录

以下是我从零搭建 Langchain-Chatchat 过程中踩过的所有坑。RTX 4070 Ti + Python 3.12 + 国内网络环境实录。

坑 1：python3 -m venv 报 ensurepip is not available

**现象：**创建虚拟环境时报错需要 apt install python3-venv，但 sudo 需要密码。

**解决：**用 virtualenv 替代——pip install virtualenv && virtualenv ~/langchain-chatchat-env。功能完全相同，不需要 sudo。

坑 2：GitHub git clone 超时或速度慢如蜗牛跑马拉松

**现象：**Receiving objects 极慢，最终 RPC failed: Connection timed out。

**解决：**用 Gitee 官方镜像 git clone https://gitee.com/mirrors/langchain-chatchat.git，速度可达 8 MiB/s。

坑 3：pip install langchain-chatchat 报 Python 3.12 不支持

**现象：**所有版本都标记了 !=3.12.*，pip 拒绝安装。

**解决：**从本地子包源安装，绕过 PyPI 版本检查——cd libs/chatchat-server && pip install . --no-deps。

坑 4：poetry 依赖解析卡死

**现象：**poetry install 永远停在 “Finding the necessary packages for the current system”。

**解决：**放弃 poetry，手工用 pip + 清华源逐组装依赖。

坑 5：langchain 版本地狱

**现象：**反复出现 ModuleNotFoundError: langchain_core.pydantic_v1、AttributeError: experimental_dialog、TypeError: proxies 等错误。

**原因：**langchain-chatchat 0.3.1.3 基于 langchain 0.1.x 开发，清华源默认装 1.x，大版本 API 不兼容。

**解决：**锁死版本：langchain 系列 → 0.1.x、streamlit → 1.34.0、httpx → 0.27.2。

坑 6：HuggingFace 模型下载被墙

**现象：**Network is unreachable，即使模型已下载到本地，加载时仍超时。

**解决：**永久方案——echo ‘export HF_ENDPOINT=https://hf-mirror.com’ >> ~/.bashrc。离线模式——HF_HUB_OFFLINE=1 python3 -c “…”。

坑 7：torch 版本过低导致模型加载失败

**现象：**ValueError: upgrade torch to at least v2.6。

**解决：**pip install torch --upgrade。

ps：教程的安装代码已帮你们排雷，已限制只安装torch>=2.6的版本

坑 8：WSL 里找不到 Ollama

**现象：**Command ‘ollama’ not found。

**解决：**建别名指向 Windows 版——alias ollama=“/mnt/c/Users/<用户名>/AppData/Local/Programs/Ollama/ollama.exe”。

坑 9：faiss-cpu 版本约束太死

**现象：**要求 faiss-cpu<1.8.0，但清华源最低只有 1.8.0。

**解决：**先 pip install faiss-cpu 装最新版，再用 --no-deps 跳过校验。

坑 10：启动时缺少 data 子目录

**现象：**RuntimeError: Directory data/media does not exist / sqlite3 unable to open database file。

**解决：**mkdir -p data/knowledge_base data/media data/temp data/logs 一次性全建好。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】