有经验的 v 友看看，这个 AI 知识库私有化部署的方案行吗，怎么改进

背景

客户方为集团公司，有相当的规模。

需求

1.大量企业内部使用的行业规范、行业标准文档,需要以文本格式加入知识库。 2.有会议录音，能自动生成会议纪要（区分讲话人），供办公人员修改及使用。 3.必须私有化部署。

暂定方案

知识库及大模型，使用 ollama + qwen2.5:b14 + AnythingLLM 录音到会议纪要，Whisper ASR

问题

客户也是先咨询咨询，这边也是搭建私有环境，做一些测试。结果，觉得上传的一批 pdf 文档，查询知识库结果，关键词抓取的不是很满意。Whisper 看过，整合到系统，还没用。目标是先验证整体效果的可行性，再与客户沟通、再做相关的应用对接开发总体来说，也是一些尝试，不知大家有没有更好的，具备可行性的方案。

zqx0310liubo

3 天前

这是 rag 还是直接做的 prompt ，效果不行需要调试把，看上去你们的模型 size 也不大，能换个大点的么？

musi

3 天前

目前 RAG 没有做的好的，想做好成本不是一般大，说真的，你要是真能做好数据检索你都可以融波钱直接财富自由了

hmxxmh

3 天前

需求第一个，可以用 dify+qwen2.5, 第二个会议录音的没用过，不知道怎么集成进去

Leon6868

3 天前

whisper ASR 似乎没法精准分割说话人，我目前也在做涉及语音纪要的功能，可以交流交流

Leon6868

3 天前

@Leon6868 #4 个人测试，qwen2.5 32B 占用、速度和效果是最平衡的，也适合本地部署

wxd21020

3 天前

同类型需求，马住，希望 OP 成功，借鉴学习。

wanglinjie0926

3 天前

加个收藏跟个后续。

ShutTheFu2kUP

3 天前

战略性插眼，学习方案

linwuhi

3 天前

战略性插眼，学习方案

magicZ

3 天前

@Leon6868 #5 用 next-gen kaldi ，录音如何设置好固定人数，应该能识别的不错。qwen2.5 32B 用什么卡？能支持几线请求啊，我只用过 4090 24G 部署 7b 的，同时请求，5 线比较稳定

RonniePolaer

3 天前

插眼，我们也在找相关的解决方案

younger027

3 天前

战略性插眼，学习方案

ccsert

3 天前

1. 行业规范文档处理
预处理脚本: 需要对文档进行预处理，包括去除无关信息、格式化文本、提取关键内容等。可以使用 Python 脚本结合正则表达式、BeautifulSoup 等工具进行处理。

文档清洗: 文档中可能包含图片、表格等复杂内容，这些内容可以通过 OCR 提取文本，或者通过专门的文档解析工具（如 Apache Tika ）进行处理，现在有一些多模态的大模型对图片也有一定的理解，可以考虑尝试。

AI 二次提纯: 使用一些开源大语言模型将对提取的文本进行进一步处理，去除噪声、提取关键信息，这里实际提示词工程就已经可以做的比较优秀了。

知识库构建: 目前实际没有特别好的，但是因为上述的操作对文档已经做了清洗和提纯，到这一步实际使用一些 embedding 模型和开源向量库即可了，后续做知识库问答的时候可以使用一些简单的 rag 平台，例如 dify 这些以外部 api 的方式对接，这里个人觉得 dify 的知识库效果实际比较一般，当然也可以将处理好的文本内容通过 dify 的知识库 api 调用生成也不错。

2. 会议录音处理
说话人识别: 可以使用开源工具如 Kaldi 、pyannote.audio 等进行说话人识别。如果能在源头解决实际会更好一些，比如在会议录制的时候就确定说话人。

会议纪要生成: 这一步实际比较简单结合现有开源大模型提示词工程生成会议纪要。如果想做的更细致一些，可以在处理音频或视频数据的时候打时间轴标签。

时间轴跳转: 可以在生成的会议纪要中加入时间戳，方便用户快速跳转到特定时间点的内容。

3. 私有化部署
语言大模型选择: 目前开源的大模型效果已经很不错了，如果资金充裕，deepseek 私有化部署一整套包括预训练环境好像就是 50w 左右
整个过程实际工程量非常庞大，涉及的领域也比较庞杂，就算上述的基本要素已经具备，也还涉及大量的开发，文本解析，数据处理，提纯，甚至多智能体协同，函数调用都需要整合起来使用才能达到目标需求

ccsert

3 天前

@ccsert 这里虽然是行业规范文档，但是实际 ai 处理时候并不一定认为是规范的，在 embedding 过程中可能还是会出现拟合的情况，所以有时候清洗后二次提纯是很有必要的

williamZXS

3 天前

战略性插眼，学习方案

moomtong

3 天前

ollama 主要的场景还是在个人 pc 上跑模型，没有大范围的生产用例。

RAG 的效果是需要根据数据定制化去调的，首先 embedding 横向对比，然后文档的提取和切分方法，像你提到的 pdf 有些开源 RAG 本身内容提取就做的比较烂，可以看看导入的内容准不准确，表格之类读没读出来，标题和编号之类结构化信息有没有保留、能不能查到等等。还有排序方法也可以定制化去改。进一步提升效果的话内容本身也要做增强，补数据、摘要等等。还有不少其它的，网上资料很多可以看看。

但其实在这些之前，既然是集团公司，他们自己的文档现在是在哪里，云文档？公司有自己的知识库吗、要不要对接、现在有远程会议应用吗、有会议室录音硬件吗、你的服务是类似 gpt 的形式还是已有应用内插件的形式，这些个人感觉是先要考虑/谈的。

语音方面 Whisper 本身能力是很 ok 的，但是很可能还需要说话人识别。然后比较现实的问题是会议录音的音质，有的人可能离话筒远很小声，和多个人同时说话这种，目前业界也没什么很好的解。