兄弟们，最近发现了个新的AI知识库系统：PandaWiki，一款 AI 大模型驱动的开源知识库搭建系统，帮助你快速构建智能化的 产品文档、技术文档、FAQ、博客系统，借助大模型的力量为你提供 AI 创作、AI 问答、AI 搜索 等能力。

目前已经在Github上斩获了4.9K的Star，感兴趣的也可以去Star下！ 地址为https://github.com/chaitin/PandaWiki：

今天，教大家在群晖NAS上部署PandaWiki，文章较长，建议先收藏再看！

一、什么是PandaWiki

PandaWiki 是一款专注于「智能化」的开源知识库搭建系统。

它旨在帮助用户快速构建产品文档、技术文档、FAQ、博客系统等各类知识集合，并借助 AI 大模型的能力，提供 AI 创作、AI 问答、AI 搜索等核心功能。

简单来说，PandaWiki 不只是一个静态的文档存储工具，更是一个能与用户 「互动」 的智能知识平台。

无论是企业用于内部知识沉淀，还是对外展示产品信息，都能轻松胜任。

二、功能特性

PandaWiki 的核心优势在于 「AI 驱动」 与 「强大的扩展性」，具体特性如下：

• AI 驱动智能化：集成 AI 大模型能力，支持 AI 辅助创作（快速生成文档初稿）、AI 辅助问答（基于知识库内容解答用户问题）、AI 辅助搜索（精准定位所需知识），让知识库从 “被动查询” 升级为 “主动服务”。

• 强大的富文本编辑能力：兼容 Markdown 和 HTML 格式，支持复杂排版；同时支持将文档导出为 Word、PDF、Markdown 等多种格式，满足不同场景的使用需求。

• 灵活的第三方集成：可作为网页挂件嵌入其他网站，也能对接钉钉、飞书、企业微信等办公工具，做成聊天机器人，让知识触达更便捷。

• 多来源内容导入：支持通过网页 URL、网站 Sitemap、RSS 订阅、离线文件等多种方式导入内容，快速充实知识库，无需手动逐条录入。

三、部署

在部署之前，你需要一台支持 Docker 20.x 以上版本的 Linux 系统来安装 PandaWiki。

这里我选择在群晖NAS上通过虚拟机系统安装ubuntu系统。

如果已经知道怎么安装Linux系统，可以直接跳到3.3节。

3.1 创建Linux虚拟机

首先在ubuntu官网上下载ubuntu server：

下载完成之后，把iso系统包上传到群晖NAS的某个目录下：

然后安装「Virtual Machine Manager」：

打开「Virtual Machine Manager」，点击「虚拟机」，然后点击「新增」：

在弹出的窗口中选择「Linux」，然后点击「下一步」：

选择「存储空间」，然后继续点击「下一步」：

这份完整版的大模型 AI 学习和面试资料已经上传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】

输入「名称」、「CPU」、「内存容量」、「视频卡」，其他可以默认，其中CPU推荐至少1核，内存推荐至少2G，视频卡选vga，如下所示：

输入「空间大小」，点击「下一步」，这里我是50G：

选择「网络」，继续「下一步」：

「启动ISO文件」选择刚才上传到NAS的ISO文件，并开启「自动启动」：

最后点击「完成」即可完成创建：

3.2 安装Linux系统

虚拟机创建完成之后，点击「开机」：

然后点击「连接」，连接到虚拟机：

即可连接到Linux系统上，如下图所示，然后选择「Try or Install Ubuntu Server」：

过一会，就可以看到安装界面，选「English」，然后回车：

选择「done」，然后回车：

配置静态IP，然后继续选择「done」，然后回车，这里我配置的IP是192.168.66.30，后面会用到：

然后选择「done」，一直回车，然后输入服务器名、用户名、密码：

安装OpenSSH Server，这个可以让我们后面通过ssh连接服务器：

继续一路回车，就开始安装系统了：

安装完成之后，重启一下，就安装好了：

3.3 安装Docker

登录到刚才安装的Linux服务器上：

输入sudo -i，切换到root账号：

然后依次输入下面的命令安装Docker：

# Add Docker's official GPG key:
sudo apt-get update
sudo apt-get install ca-certificates curl
sudo install -m 0755 -d /etc/apt/keyrings
sudo curl -fsSL https://download.docker.com/linux/ubuntu/gpg -o /etc/apt/keyrings/docker.asc
sudo chmod a+r /etc/apt/keyrings/docker.asc

# Add the repository to Apt sources:
echo \
  "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.asc] https://download.docker.com/linux/ubuntu \
  $(. /etc/os-release && echo "${UBUNTU_CODENAME:-$VERSION_CODENAME}") stable" | \
  sudo tee /etc/apt/sources.list.d/docker.list > /dev/null
sudo apt-get update

sudo apt-get install docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin

安装完成之后，输入下面的命令，安装PandaWiki：

bash -c "$(curl -fsSLk https://release.baizhi.cloud/panda-wiki/manager.sh)"

选择「安装」：

输入安装目录，默认为「/data/pandawiki」：

然后就开始安装了：

安装完成之后，提示如下：

可以看到访问地址、用户名、密码。如果想要进行更多交流，也可以扫码加群交流。

四、PandaWiki实战

在浏览器输入访问地址，比如我的是：https://192.168.66.30:2443

输入上面的用户名、密码登录到PandaWiki主页。

4.1 添加模型

第一次进入会弹出配置窗口，包括「用户管理」、「Chat模型」、「Embedding模型」、「Rerank模型」。

这里我们在「Chat模型」中添加一个模型，这里我使用了「阿里云百炼」平台，模型是「DeepSeek-V3」：

设置完之后，点击保存即可。

4.2 创建知识库

添加完模型之后，会提示让创建一个知识库，输入相关信息之后，点击创建即可：

4.3 使用体验

创建完知识库之后，即可进入到主页，左侧栏包含「文档」、「统计」、「问答」、「反馈」、「发布」、「设置」选项。

首先在「文档」页面点击「创建文档」，这里我上传了一篇论文：

点击文档，可以看到详细的内容：

然后我们可以点击「访问Wiki网站」，进行知识库问答：

在搜索框输入一个问题：

可以看到PandaWiki会进行知识库检索，并在最终的回答中给出参考文献：

在「统计」页面，可以看到访客记录、用户分布、流量等信息，可以让企业很方便的进行流量监控。

在「问答」页面，可以看到用户的提问记录：

在「发布」页面，可以看到已经发布的文档，这些已发布的文档可以在Wiki问答首页进行检索：

在设置界面，可以看到相关的设置选项，包括：服务地址、认证方式、主题风格、问答机器人等等。

五、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。

这份完整版的大模型 AI 学习和面试资料已经上传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】

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

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。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

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】