问得最多的，仍然是“睁眼瞎问题”——明明文档里有，可就是说上下文找不到。

下面以两个法律文书检索的 实战案例，来说明：AnythingLLM现有的框架下，为何一套参数不能走天下。

实战案例：基于特定的法律文书、法律条例，进行法律条文检索和查询、问答、应用

案例1：基于《招投标法》及《招投标条例》构建特定法律条款检索及场景问答。需要：

• 纯本地环境；

• 仅限特定法律文书（不可引用泛法律条文）；

• 面向特定领域专业法律从业者。

案例2：基于《民法典》法律长文，构建特定法律条款检索及场景问答：

• 纯本地环境；

• 仅限特定法律文书（不可引用泛法律条文）；

• 面向特定领域专业法律从业者。

预告：案例二中基于本地民法典对“离婚财产分配”案例的回答，堪称“专业级”。

案例一AnythingLLM 本地知识库配置

• Embedder 向量设置

  

• 文本分切配置

  

• 工作区配置- 文件上传及Embed，不要点Pin。

• 工作区配置- 向量库检查：132个片段； 最大返回向量数调成“10”。

• **LLM 对话设置：**选择本地Deep Seek R1 7b/或8b 版本，同时，切换对话模式为“查询”。[直接调用满血版API会更好~]

• 其他默认。

案例二 流程及调参配置

• Embedder 向量设置: 同上 ollama embedding model= bge-m3, max embedding chunk length =8192

• 文本分切配置, 与案例一不同 chunk size= 100， overlap = 20.

• 工作区配置- 文件上传及Embed，不要点Pin。

  

• 工作区配置- 向量库检查：已生成1818个片段； 最大返回向量数调成“10”。

  

• LLM 对话设置：同上，选择本地Deep Seek R1 7b/或8b 版本，同时，切换对话模式为“查询”。[直接调用满血版API会更好~]

• 其他默认

案例一问答示例

Q 1: 基于上传的法律文件，招标投标实施条例第九条内容是什么

Q2 : 基于上传的法律文件，招标投标法的第九条内容是什么

Q3: 基于上传的法律文件，中国境内的哪些工程建设项目必须进行招标？

Q4: 基于上传的法律文件，招标代理机构应对具备什么条件？（附上对应的法律条款原文）

Q5: 基于上传的法律文件，有关开标、开标过程、开标流程有哪些要求？（附上相关的法律条款原文）

案例二 问答示例

Q1 根据上传的法律文件，哪些情况下 属于无效婚姻，并列出引用法律条款、

Q2 根据上传的法律文件，有关“家庭关系”有哪些相关规定，并列出引用法律条款、

Q3 根据上传的法律文件，我的一个朋友想做“收养人”，①他应当具备什么条件才能成为收养人，②收养应当遵循什么原则，③什么情况下会变成“无效收养”，④还有哪些相关规定，并列出引用法律条款、

Q4 根据上传的法律文献，有关肖像权，我们有哪些明确的权利；什么情况下是明确的 “被侵犯肖像权”

Q5 你是一个法律文书解读高手，且仅限于根据固定上传的法律文件进行解读和回答问题：我把房子出租给了别人，但是他没经过我同意把我的热水器给拆掉给卖了。这种情况下，根据上传的法律文档，我应该如何维护我的权利，请帮我列出相关的法律条款。

Q6 你是一个法律文书解读高手，且仅限于根据固定上传的法律文件进行解读和回答问题：我老婆准备和我离婚，我在结婚前有一套90平的房子，结婚后又买了一套150平的房子，车子也是结婚后买的，钱全是她出的，我基本只炒股票但是未盈利还欠债。这种情况下，根据上传的法律文档，离婚后我可以获得哪些财产啊，有什么途径争取最多的财产分配，一定帮我列出相关的法律条款，要有理有据。

注：这个题太真了，回答也太真了。亲朋好友们，这里的我不是我，吼吼（[图片])

案例总结及解读

在法律文献检索领域，更“完美而恰当”的策略之一是：按法条分段，而非机械的按chunk size 分。但在AnythingLLM中目前不支持按段落或其他策略进行分切。调参的依据就是 调整一个参数，使之逼近按法条分段分切的效果。尽管不完美，但是足够好用。

真相：尽管不完美，但是AnythingLLM调参后足够好用。

另外1，有一些公网平台的 “法律文献检索智能体”，是基于大模型已学习的所有法律条文和条款,一般问答够用 。

另外2，有一些面向法律专业的 专用RAG“面向法律条文检索的本地知识库”，是个很好的应用方向，如有深度体验的法律工作者，可以留言分享下 “专业级” 和 “媲美专业级的AnythingLLM” 的体验差异……

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

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】