Part02 ☀️

YangeIT大约 23 分钟

Part02 ☀️

课程内容

大模型部署
- 大模型介绍 🍐
- Ollama安装和使用 ✏️
- Chatbox ✏️
- RAG知识讲解🍐
- 创建本地知识库 ✏️
知识库
- Obsidian介绍和安装 ✏️
- Obsidian常规使用 ✏️
- Obsidian集成大模型和RAG功能 ✏️
- Obsidian实战操作 ✏️

1 大模型部署

1.1 大模型介绍

前言

1. 什么是大模型？

大语言模型（LLM, Large Language Model）是一种基于Transformer架构的深度学习模型，通过预训练大量文本数据，能够理解和生成人类语言。

核心特点

参数量巨大：从1.5B到671B不等
自监督学习：无需人工标注数据
多任务能力：文本生成、问答、翻译、编程等
上下文理解：能够理解长文本的语义

2. 参数量解析：1.5B、7B、14B...到底是什么意思？

B = Billion（十亿），这是国际通用的参数量表示方式。

参数量与性能的关系

3. 主流开源大模型大盘点

🏆 Top 5 开源大模型

1. Meta LLaMA 3
- 版本：8B、70B
- 特点：通过RLHF微调，性能媲美闭源模型
- 优势：开源透明，可自由定制优化
- 应用：聊天机器人、编程任务、多语言处理
2. DeepSeek-R1 : ❤️
- 版本：1.5B、7B、8B、14B、32B、70B、671B
- 特点：参数量跨度极大，从轻量级到顶级性能
- 优势：灵活选择，适应不同硬件配置
- 应用场景：从个人学习到企业级部署
3. GPT-NeoX
- 版本：GPT-NeoX-20B
- 特点：200亿参数，开源替代GPT
- 优势：高性能，代码生成能力强
4. Qwen系列 ❤️
- 版本：0.5B到72B全尺寸覆盖
- 特点：中文支持优秀，多模态能力强
- 优势：本地化适配，企业级应用成熟

4. 硬件配置要求详解

🖥️ 内存（RAM）要求

根据Ollama官方推荐：

模型大小	最低RAM要求	推荐RAM	说明
1.5B	4GB	8GB	轻量级，适合入门
7B	8GB	16GB	标准配置，性价比高
13B-14B	16GB	32GB	平衡性能，主流选择
32B-70B	32GB	64GB+	高性能，需要强大硬件

📱 其他硬件要求

CPU：现代多核处理器（4核+）
GPU：显存≥模型大小（如7B模型需要≥8GB显存）
在NPU（神经网络处理单元）上部署大模型可以显著提升推理效率，适用于自然语言处理等场景
存储：SSD，空间≥模型文件大小（通常几十GB）

5. 大模型核心特点与优势

🎯 核心能力综合表

能力维度	具体功能	特点说明
📊 多模态处理能力	文本生成、问答、翻译	基础语言理解与生成能力
	代码生成与调试	编程辅助与错误修复能力
	图像描述生成	视觉内容理解与描述
🔄 自学习能力	无需人工标注数据	自监督学习机制
	持续优化学习效果	随使用时间提升性能
	适应不同领域知识	跨领域泛化能力
🧠 上下文理解	长文本处理能力	理解复杂、长篇内容
	逻辑推理能力	推理、分析与判断
	跨领域知识整合	综合多领域信息

📊 性能指标对比

模型	参数量	推理速度	准确性	资源消耗
Llama3-8B	8B	快速	高	中等
DeepSeek-7B	7B	快速	高	中等
Llama3-70B	70B	较慢	极高	高
DeepSeek-671B	671B	很慢	顶级	极高

总结

课堂作业

参数量含义：B = Billion（十亿），直接影响模型性能和硬件需求
主流模型：LLaMA 3、DeepSeek-R1、Mistral、GPT-NeoX、Qwen等
配置要求：内存需求与模型大小直接相关，7B模型需要8GB+内存
应用价值：从个人学习到企业级应用，适用场景广泛

1.2 Ollama安装和使用

Ollama安装和使用

1、基本介绍

Ollama是一个支持在Windows、Linux和MacOS上本地运行大语言模型的工具。它允许用户非常方便地运行和使用各种大语言模型,比如Qwen模型等。用户只需一行命令就可以启动模型。

主要特点包括:

跨平台支持Windows、Linux、MacOS系统。
提供了丰富的模型库,包括Qwen、Llama等1700+大语言模型,可以在官网model library中直接下载使用。
支持用户上传自己的模型。用户可以将huggingface等地方的ggml格式模型导入到ollama中使用。也可以将基于pytorch等格式的模型转换为ggml格式后导入。
允许用户通过编写modelfile配置文件来自定义模型的推理参数,如temperature、top_p等,从而调节模型生成效果。
支持多GPU并行推理加速。在多卡环境下,可以设置环境变量来指定特定GPU。

总的来说,Ollama降低了普通开发者使用大语言模型的门槛,使得本地部署体验大模型变得简单易行。对于想要搭建自己的AI应用,或者针对特定任务调优模型的开发者来说,是一个非常有用的工具。它的一些特性,如允许用户自定义模型参数,对模型进行个性化适配提供了支持。

2、官网和下载链接

Ollama 下载：https://ollama.com/downloadopen in new window

Ollama 官方主页：https://ollama.comopen in new window

Ollama 官方 GitHub 源代码仓库：https://github.com/ollama/ollama/open in new window

说明：在国内下载速度很慢！！，容易出现下载失败的情况，建议使用VPN下载。

3、安装教程

1. 选择安装文件，右击管理员运行安装

2. 在window中，默认的位置在C盘(如下👇)，后期的模型下载也会在C盘，但是模型文件比较大，占用存储空间，推荐安装在其他盘。

C:\Users\用户名\AppData\Local\Programs\Ollama

3. 配置环境变量。将模型目录配置到其他的路径如：D:\javasoftware\Ollama\models

右键我的电脑-->属性-->高级系统设置-->环境变量-->系统环境变量 -->新增-->输入OLLAMA_MODELS ：D:\javasoftware\Ollama\models

上图是配置环境变量，然后停止Ollama服务（观察右下角的任务栏是否有Ollama图标, 如果是英特尔优化版，直接关闭cmd窗口即可，如下图👇)

4. Ollama指令

# 1、打开cmd窗口，启动Ollama 服务（cmd窗口不要关闭，启动后关闭则服务不启动）：
ollama serve
# 可以使用ollama -v查看版本。使用-h 查看帮助命令
#2、拉取模型
ollama pull <模型名字> 
#如拉取deepseek-r1:1.5b模型：
ollama pull deepseek-r1:1.5b

#3、下载完成后，运行：ollama list 查看下载的模型列表，
ollama list 

#返回下载的结果：模型名字---模型id---模型占用的大小---修改时间
NAME              ID              SIZE      MODIFIED
bge-m3:latest     790764642607    1.2 GB    16 hours ago
deepseek-r1:7b    755ced02ce7b    4.7 GB    17 hours ago
qwen3:8b          500a1f067a9f    5.2 GB    18 hours ago

#4、启动Ollama 
ollama run deepseek-r1:1.5b 

#5、启动后，可以在黑窗口中输入想问的话，如："你是谁"，然后按回车键，即可得到回复。，如图7所示。


#6、如果想退出，按Ctrl+D即可，即可停止退出对话

#7、 查看正在运行的模型  
ollama ps 

#返回结果： 模型名字---模型id---模型占用的大小---cpu或gpu占比---运行了多久
NAME              ID              SIZE      PROCESSOR          UNTIL
deepseek-r1:7b    755ced02ce7b    6.0 GB    43%/57% CPU/GPU    2 minutes from now

#8、停止模型：
ollama stop <模型名字> #如停止deepseek-r1:7b模型：
ollama stop deepseek-r1:7b
# 可以再次执行ollama ps 查看是否停止

#9、删除模型：
ollama rm <模型名字> #如删除deepseek-r1:7b模型：
ollama rm deepseek-r1:7b
# 可以再次执行ollama list 查看是否删除


# 补充：可以在一开始就直接运行ollama run xxx ，可以直接运行某个模型并运行，如图8所示

注意，如果下载到后期速度很慢，可以Ctrl+C停止下载，然后重新运行下载指令即可，速度会快很多。如图9所示。

总结

课堂作业

安装ollama，并配置环境变量，和deepseek-r1:1.5b模型（比较小，大概1.1g），然后在黑窗口中输入问题并得到回答！microphone:
如果有时间，花点时间下载deepseek-r1:7b模型，和嵌入模型bge-m3:latest

ollama pull deepseek-r1:7b

ollama pull bge-m3

# 调用ollama list 查看下载情况

1.3 Chatbox

前言

考虑到Ollama的cmd黑窗口不方便，所以我们开发了一款Chatbox AI，方便本地部署和聊天使用

Chatbox AI 是一款 AI 客户端应用和智能助手，支持众多先进的 AI 模型和 API，可在 Windows、MacOS、Android、iOS、Linux 和网页版上使用

Chatbox AI旨在为用户提供一个简单易用的可视化界面，让非专业技术人员也能便捷地与各种AI模型进行交互

官网：https://chatboxai.app/zhopen in new window

在官网点击下载后，安装此程序，如下👇

安装后后，启动，设置关联到本地模型

AI模型配置选择Ollama

在模型列表中，选择已经启动的模型（注意：此时需要先使用ollama运行模型）。

接下来就可以使用了，测试一下中文效果，测试一下英文效果

至此，可以使用Chatbox来与AI聊天了。但是交流的都是通用知识，如果需要读取私有文件的中内容，来回答问题的话，显然不足。

1.4 RAG知识讲解

前言

1 什么是RAG？

RAG（Retrieval-Augmented Generation）检索增强生成是一种将信息检索与大语言模型（LLM）结合的框架。简单来说：

RAG（中文为检索增强生成） = 检索技术 + LLM 提示。

核心工作流程：

检索阶段：从知识库中找到与用户查询最相关的知识片段
生成阶段：将检索到的知识与用户问题一起输入LLM，生成最终答案

完整的RAG应用流程主要包含两个阶段：

数据准备阶段：数据提取——>文本分割——>向量化（embedding）——>数据入库
应用阶段：用户提问——>数据检索（召回）——>注入Prompt——>LLM生成答案

embedding Model：负责将文本向量化. vector DB：负责存储和检索多维向量
image

2 为什么需要 RAG？

LLM 的痛点：

知识截止时间早，无法获取最新信息
企业私有数据无法访问
容易产生"幻觉"（胡说八道）
数据安全和隐私问题

3 什么是BGE-M3

BGE-M3（BAAI General Embedding M3）是一个强大的多功能嵌入模型，同时支持密集检索、多向量检索和稀疏检索，非常强大，它适用于多种使用场景，比如检索增强生成、知识检索问答、文本检索、分类和聚类。

每个模型都有文本限制，如果不分块，根本无法将完整文档信息提供给 LLM！
在向量数据库中，任何内容都需要先进行 Embedding,
分块的主要目的是：
减少噪音：避免将不相关信息一起向量化,
提高匹配精度：小块更容易找到精确匹配
优化存储：向量数据库处理小块更高效

4 什么叫知识库

知识库更加偏向于能够直接读取文档并处理大量信息资源，包括文档上传、自动抓取在线文档，然后进行文本的自动分割、向量化处理，以及实现本地检索增强生成（RAG）等功能的工具.

像是企业的"大脑"，个人的"书架"，AI的"知识库"——它让分散的知识变得有序、有用、有价值！

综合来说，要提高模型的准确性和私密性，可以利用RAG技术来实现，可以使用bge-m3来进行构建知识库。

1.5 创建本地知识库

创建本地知识库

0. 在ChatBox AI 中设置页面中添加嵌入模型

1. 创建知识库

进入设置 - 知识库页面，点击创建知识库，输入知识库名称，并选择知识库所需要的模型

对于 Chatbox AI 付费用户，可以选择 Chatbox AI 作为知识库的模型提供方，免费用户也可以选择自己的API。

嵌入模型：用来将文档转换为向量

重排模型：可选，配置后可以获得更准确的搜索结果，对回答质量有一定帮助

视觉模型：可选，配置之后，可以往知识库里添加图片，图片中的文字会被提出来入库

2. 往知识库添加文档

拖入或点击浏览文件，等待文件处理完成。’

3. 对知识库进行问答

创建新对话，在输入框里的工具栏选择刚刚创建的知识库

然后就可以随意问答了

可以发现，回答的结果是根据资料返回的,不是不变乱造！！

总结

课堂作业

你可以根据上述教程，一起来构建属于你的特有的知识库吧！！🎤

2. 知识库

2.1 Obsidian介绍和安装

Obsidian介绍和安装

Obsidian，一款知识管理工具。

想象一下，所有你的思维、笔记和灵感都能在一个地方相互连接，形成一个井然有序的知识网络。

1. 访问官方网站

首先，打开你的浏览器并访问https://obsidian.md/。open in new window

2. 点击“下载”按钮

3. 点击对应系统版本进行下载，然后下一步下一步安装完成即可

4. 启动，安装完成后的启动界面，你只需要在obsidian中创建一个文档就可以了

至此，你已经成功地安装obsidian了。看似和普通软件差不多呀，有什么用呢？ ❓

2.2 Obsidian常规使用

前言

Obsidian 是一款基于 Markdown 的知识管理工具，让你：

🔍 自由链接笔记，建立知识网络
📝 原生 Markdown 编辑，轻量高效
🎨 完全自定义，插件生态丰富
📁 本地存储，隐私安全

🎯 核心概念对比

概念	说明	例子
笔记	Markdown文件	`项目A.md`
链接	自动创建的双向链接	`[[项目A]]`
图谱	可视化的知识关系图	点击左侧面板的"图谱"

🔗 链接演示

创建链接的几种方式：

手动输入：[[项目A]]
快捷键：选中文本后 Ctrl+K (Windows) / Cmd+K (Mac)
右键菜单：选择"创建反向链接"

🎨 格式说明

使用粗体标题突出重点
表格使用 | 分隔，首行定义表头
代码块使用 ```markdown 包裹
添加了装饰性的emoji和分隔线

准备笔记素材：👇

急救知识笔记素材

`急救学基础知识.md`

# 🏥 急救学基础知识

** #急救学 #医学基础 #学习笔记**

### 急救学核心概念

急救学是研究**突发伤病的紧急处理方法**的医学分支，主要目标是在**黄金救援时间**内稳定患者生命体征，为后续治疗创造条件。[[急救技能学习方法]] [[急救实践训练]]

### 基础知识框架

#### 1. 急救原则
- **生命优先**：确保患者生命安全
- **评估现场**：确保救援环境安全
- **快速识别**：判断伤情严重程度
- **及时求助**：呼叫专业医疗救援

#### 2. 常见急症分类
| 紧急程度 | 症状表现 | 处理原则 |
|----------|----------|----------|
| **危急** | 心跳呼吸停止、大出血、窒息 | 立即CPR、止血、通畅气道 |
| **紧急** | 意识不清、严重外伤、中毒 | 保持生命体征、防止恶化 |
| **次紧急** | 轻度外伤、扭伤、轻微中毒 | 清创消毒、固定包扎 |

#### 3. 基础生命支持
- **CPR操作**：胸外按压、人工呼吸
- **AED使用**：自动体外除颤器操作
- **气道管理**：清除异物、保持通畅

### 学习建议
- 熟记急救电话和求助流程
- 了解常见急症的识别要点
- 掌握基础生命支持技能 [[急救技能学习方法]]

`急救实践训练.md`

# 🏃‍♂️ 急救实践训练

** #急救学 #实践训练 #技能应用**

### 实践训练方案

#### 校内训练
- **实验室练习**：在医学模拟实验室练习
- **技能竞赛**：参加急救技能比赛
- **小组演练**：同学间互相练习 [[急救技能学习方法]]

#### 实地训练
- **医院实习**：急诊科跟班学习
- **社区服务**：参与社区急救培训
- **野外训练**：户外急救场景演练

#### 情景模拟训练
- **家庭急救**：模拟家庭突发伤病
- **公共场所**：模拟商场、车站等场所
- **交通事故**：模拟车祸现场急救

### 训练重点

#### 个人技能训练
- **反应速度**：快速判断和反应
- **操作精度**：准确执行急救动作
- **心理素质**：保持冷静和专注

#### 团队协作训练
- **角色分工**：明确各自职责
- **沟通协调**：有效信息传递
- **应急配合**：快速响应和配合

### 训练评估
- **技能考核**：定期技能测试
- **案例分析**：分析训练中的问题
- **持续改进**：根据反馈优化训练 [[急救考试准备]]

`急救应用场景.md`

# 🏥 急救应用场景

** #急救学 #应用场景 #实战演练**

### 常见急救场景

#### 1. 家庭急救
- **常见情况**：跌倒骨折、烫伤烧伤、中毒窒息
- **处理要点**：现场评估、简单处理、及时送医
- **设备准备**：家庭急救箱、常用药品 [[急救技能学习方法]]

#### 2. 公共场所
- **常见情况**：心脏骤停、外伤出血、中暑晕厥
- **处理要点**：确保安全、呼叫救援、现场急救
- **注意事项**：保护现场、避免二次伤害

#### 3. 交通事故
- **常见情况**：脊椎损伤、大出血、复合伤
- **处理要点**：避免移动、止血包扎、固定保护
- **特殊要求**：专业设备、多人配合

#### 4. 运动伤害
- **常见情况**：扭伤挫伤、骨折脱位、肌肉拉伤
- **处理要点**：RICE原则（休息、冰敷、加压、抬高）
- **预防措施**：热身运动、防护装备、适度运动

### 场景应对策略

#### 评估现场安全
- **环境评估**：确保救援环境安全
- **风险识别**：识别潜在危险因素
- **安全措施**：采取必要的安全防护

#### 快速判断伤情
- **意识判断**：检查患者意识状态
- **呼吸检查**：观察呼吸情况
- **循环评估**：检查脉搏和出血情况

#### 制定急救方案
- **优先处理**：先处理危及生命的伤情
- **分级救治**：按伤情严重程度处理
- **持续监测**：观察患者生命体征变化

### 应急准备
- **急救知识**：掌握基本急救知识
- **急救技能**：熟练操作急救技能
- **急救设备**：准备必要的急救设备和药品 [[急救考试准备]]

`急救考试准备.md`

# 📚 急救考试准备

** #急救学 #考试准备 #认证考核**

### 考试类型与要求

#### 基础知识考试
- **考试形式**：选择题、判断题、简答题
- **考核内容**：急救理论、法律法规、操作规范
- **分值比例**：理论占60%，实践占40% [[急救学基础知识]]

#### 技能操作考试
- **考试形式**：现场操作、情景模拟
- **考核项目**：CPR、止血包扎、骨折固定
- **评分标准**：动作规范、时间控制、效果评估

#### 综合能力考核
- **考试形式**：综合案例分析
- **考核内容**：现场评估、方案制定、团队协作
- **评分重点**：综合运用能力 [[急救实践训练]]

### 备考策略

#### 理论复习
- **重点掌握**：急救原则、操作流程、注意事项
- **记忆技巧**：制作记忆卡片、思维导图
- **模拟测试**：定期自测、查漏补缺

#### 技能练习
- **反复练习**：熟练掌握基本技能
- **时间控制**：提高操作速度和准确性
- **错误纠正**：及时发现和改正错误动作

#### 心理准备
- **信心建立**：相信自己的能力
- **压力管理**：学会调节考试焦虑
- **模拟考试**：提前适应考试环境

### 考试资源
- **官方教材**：急救学教材和手册
- **练习题库**：历年考试题库
- **模拟软件**：急救技能模拟软件 [[急救应用场景]]

`急救技能学习方法.md`

# 🎯 急救技能学习方法

** #急救学 #技能培训 #学习方法**

### 技能学习体系

#### 理论学习阶段
- **教材学习**：系统学习急救理论知识
- **视频学习**：观看标准操作视频
- **案例分析**：分析真实急救案例 [[急救学基础知识]]

#### 模拟训练阶段
- **技能训练**：在模拟人上练习操作
- **情景模拟**：模拟真实急救场景
- **团队协作**：多人配合急救演练

#### 实践应用阶段
- **实习观摩**：医院急诊科实习
- **社区实践**：参与社区急救培训
- **考核认证**：参加急救技能考核 [[急救实践训练]]

### 重点技能训练

#### 1. 心肺复苏
- **按压深度**：5-6厘米
- **按压频率**：100-120次/分钟
- **按压姿势**：双手叠压，肘部伸直

#### 2. 外伤处理
- **止血方法**：加压包扎、止血带
- **包扎技巧**：三角巾包扎、绷带包扎
- **伤口处理**：清洁消毒、防止感染

#### 3. 搬运技术
- **徒手搬运**：扶持法、背人法
- **器械搬运**：担架使用、脊椎固定

### 学习要点
- 注重动作标准和规范
- 强调时效性和准确性
- 培养冷静应对的能力 [[急救实践训练]]

将上述的笔记粘贴到急救知识的文件夹中，点击图谱，观察效果：

2.3 Obsidian集成大模型和RAG功能

Obsidian集成大模型和RAG功能

Obsidian目前只是一个知识管理工具，说白了就是一个笔记本，可以检索，以及互相关联等等，但是如果根据现有的笔记进行创作、写文章和总结报告等等，仍然需要大量的手工工作，但是可以通过大模型和RAG进行自动创作，极大的提高了工作效率！！！

如果只是集成大模型，仅仅回答通用知识，对于你原有的私密笔记和文章并没有直接帮助，RAG则不一样，可以引用、引述你原有的笔记进行创作，可以说是非常高效了！！！

因此接下来：

安装Copilot插件，这个插件主要是集成大模型。
在Obsidian里集成大模型和嵌入模型
在Obsidian里利用Embedding索引，根据你的知识进行创作、搜索等！！！

1. 安装Copilot插件

这个插件是要访问github的，但是国内速度较慢，除非使用科学工具，否则无法使用，这里提供清华大学的工具来进行加速安装Copilot插件步骤

下载这个工具，直接打开运行即可，地址：https://cloud.tsinghua.edu.cn/d/df482a15afb64dfeaff8/open in new window

先关闭Obsidian软件，然后启动清华大学提供的这个工具，然后在启动Obsidian，安装Copilot插件，如下图

插件完成后，开始配置大模型和嵌入模型（注意Ollama启动模型和安装嵌入模型）

2. 在Copilot上配置大模型和嵌入模型

2.1 配置大模型 先把Models下的模型全部取消勾选，然后添加自定义模型

2.2 配置嵌入模型

在Models最下方的 Embedding Models 中，取消其他的模型，点击添加自定义模型，输入bge-m3 ，选择Ollama，点击Verify，成功后，点击保存即可

3. 观察对话框，是否可以正常对话

好了，配置好大模型和嵌入模型之后，看看能否正常工作，打开Obsidian，选择左侧的插件按钮，弹出对话栏目

2.4 Obsidian实战操作

前言

上一节中，我们已经完成Obsidian配置大模型和嵌入模型，本节就通过一个简单的例子来验证一下效果，并且生成一些新的笔记！！！同时，也可以从嵌入模型的结果中抽取一些新的知识点进行添加！！！

开始吧！！！

根据我原有的笔记，分析写作习惯，给我生成私人订制的写作建议！！

根据我{急救知识}所有的笔记，分析并学习我的写作习惯、逻辑思路和视频风格告诉我有那些值得改进的地方，
并为我生成一份私人定制的写作建议

{ } 括号中的是文件夹 [[ ]] 方括号中是笔记

似乎平常使用在线的豆包，deepseek，元宝都有这样的功能，但是在Obsidian加持本地模型，做到了私人订制！！

Part02 ☀️

# Part02 ☀️

# 1 大模型部署

# 1.1 大模型介绍

# 1. 什么是大模型？

# 2. 参数量解析：1.5B、7B、14B...到底是什么意思？

# 3. 主流开源大模型大盘点

# 4. 硬件配置要求详解

# 5. 大模型核心特点与优势

# 🎯 核心能力综合表

# 📊 性能指标对比

# 1.2 Ollama安装和使用

# 1、基本介绍

# 2、官网和下载链接

# 3、安装教程

# 4. Ollama指令

# 1.3 Chatbox

# 1.4 RAG知识讲解

# 1 什么是RAG？

# 2 为什么需要 RAG？

# 3 什么是BGE-M3

# 4 什么叫知识库

# 1.5 创建本地知识库

# 2. 知识库

# 2.1 Obsidian介绍和安装

# 2.2 Obsidian常规使用

# 🎯 核心概念对比

# 🔗 链接演示

# 🎨 格式说明

# 急救知识笔记素材

# 急救学基础知识.md

# 急救实践训练.md

# 急救应用场景.md

# 急救考试准备.md

# 急救技能学习方法.md

# 2.3 Obsidian集成大模型和RAG功能

# 1. 安装Copilot插件

# 2. 在Copilot上配置大模型和嵌入模型

# 3. 观察对话框，是否可以正常对话

# 2.4 Obsidian实战操作

# 根据我原有的笔记，分析写作习惯，给我生成私人订制的写作建议！！

Part02 ☀️

1 大模型部署

1.1 大模型介绍

1. 什么是大模型？

2. 参数量解析：1.5B、7B、14B...到底是什么意思？

3. 主流开源大模型大盘点

4. 硬件配置要求详解

5. 大模型核心特点与优势

🎯 核心能力综合表

📊 性能指标对比

1.2 Ollama安装和使用

1、基本介绍

2、官网和下载链接

3、安装教程

4. Ollama指令

1.3 Chatbox

1.4 RAG知识讲解

1 什么是RAG？

2 为什么需要 RAG？

3 什么是BGE-M3

4 什么叫知识库

1.5 创建本地知识库

2. 知识库

2.1 Obsidian介绍和安装

2.2 Obsidian常规使用

🎯 核心概念对比

🔗 链接演示

🎨 格式说明

急救知识笔记素材

`急救学基础知识.md`

`急救实践训练.md`

`急救应用场景.md`

`急救考试准备.md`

`急救技能学习方法.md`

2.3 Obsidian集成大模型和RAG功能

1. 安装Copilot插件

2. 在Copilot上配置大模型和嵌入模型

3. 观察对话框，是否可以正常对话

2.4 Obsidian实战操作

根据我原有的笔记，分析写作习惯，给我生成私人订制的写作建议！！