许多小伙伴是不是和我一样都存在这样的困惑：既然上期我们已接入DeepSeek大语言模型，为何构建知识库还需要向量模型(FastGPT分类为索引模型)？
这本质上涉及RAG技术架构的双引擎设计——语言模型如同内容生成专家，负责语义理解与答案组织；向量模型则扮演智能检索中枢，通过将非结构化数据（文档/图片/表格等）映射到高维向量空间，确保回答精准锚定私有知识而非通用语料。
今天我们将以BGE-M3向量模型为密钥，完整打通知识宫殿的检索增强通路。
Embedding模型获取
🔥访问 https://ollama.com/ → 精准锁定[Models]→ 搜索框输入[bge-m3] → 复制右侧ollama run 命令!
一行代码搞定安装
🔥在终端暴力执行这条暗网级参数命令，强拽bge-m3模型。
#注意docker exec -it ollama为固定，表示在ollama容器执行命令
#ollama pull bge-m3(上个步骤复制的命令）
docker exec -it ollama ollama pull bge-m3
⚠️保持终端联网千万别手贱关窗口！→ 死死盯着这个进度条 → 闪现
Success ✨才是真正成功！
验证模型是否生效
#在ollama容器中执行命令，查看已安装的模型列表
🔥你以为安装完bge-m3向量模型就通关了？——**这才是AI赛道的起跑线！关注【IT技术工坊】**下期核弹预告：FastGPT完美驯服本地DeepSeek R1:1.5B！
点击查看更多内容
为 TA 点赞
评论
共同学习，写下你的评论
评论加载中...
作者其他优质文章
正在加载中
感谢您的支持，我会继续努力的～
扫码打赏，你说多少就多少
赞赏金额会直接到老师账户
支付方式
打开微信扫一扫，即可进行扫码打赏哦