在 MaxKB 的官网是这样介绍自己的：
MaxKB（Max Knowledge Base）是一款开源的基于大语言模型和RAG技术的知识库问答系统，广泛应用于智能客服、企业知识库、学术研究和教育等领域。它通过全流程自动化知识采集、入库和构建，提升企业的知识管理效率，并能够智能解析用户问题并匹配相关知识。采用 LLM + RAG 技术，MaxKB 提高了问答准确性，减少了大模型幻觉的干扰，增强了业务数据的分类和召回能力。此外，MaxKB 支持本地部署，保障了数据安全，帮助企业快速部署AI助手，优化业务流程，提高用户体验。
产品方向和之前的几款都差不多，而如果要部署 MaxKB 的话，至少需要：
操作系统：Ubuntu 22.04 / CentOS 7.6 64 位系统
CPU/内存：4C/8GB 以上
磁盘空间：100GB
Github 地址：https://github.com/1Panel-dev/MaxKB
官网地址：https://maxkb.cn/
部署
我们直接 docker 进行部署即可：
docker run -d --name=maxkb --restart=always -p 8080:8080 -v ~/.maxkb:/var/lib/postgresql/data -v ~/.python-packages:/opt/maxkb/app/sandbox/python-packages cr2.fit2cloud.com/1panel/maxkb
启动之后我们可以通过访问 IP:8080进行访问：
初始登录的用户名和密码是：
admin
MaxKB@123..
登录之后，我们就可以开始玩儿起来啦～
在导航栏中，选中「系统管理」，可以在这个里面：
创建用户
管理团队成员
设置模型
系统设置-邮箱配置
其中比较常用的，肯定是模型设置，我们可以在里面接入 AI 大模型。在配置模型时，只有当你选择了你要使用的模型名称之后，才会展示输入 API Key 和 API 域名的地方（这个体验比较一般）。
函数库这个之前的产品库中都没有，看了下文档，有点类似自定义工具之类的。
社区版限制
只支持 5 个应用
50 个知识库
只有升级到专业版才可以拥有更多的应用和知识库配额。
使用
让我们来创建一个 k8s 知识库：
创建好之后上传我们的老嘉宾《深入浅出 k8s》：
在分段时，它的配置明显少于其他几款产品：
点击「开始导入」后等待分段成功。
等了半天，只分段了一个。我以为是模型问题，换了模型以后也是只分段了一个。一脸懵
而且不管是智能分段还是高级分段都只有一段！！
可能我哪里配置不对？又或者是 MaxKB 对 PDF 文件的解析还有所欠缺。换一个 Markdown 文件试试：
Markdown 格式的文件看起来是 OK 的，分段数量为 61 段，我们新建一个应用来试试看：
在关联知识库这里，点击参数设置，将检索模式换成「混合检索」并确认，然后点击右上角的「保存并发布」：
跳转到左侧菜单中的「概览」并点击「演示」开始进行测试：
效果还不错，这只是简单配置的应用，我们也可以选择高级编排，实际上就是工作流：
这个感兴趣的小伙伴可以自己探索哦～
附-k8s YAML
apiVersion: v1
kind: PersistentVolume
metadata:
name: maxkb-data-pv
spec:
capacity:
storage: 10Gi
accessModes:
- ReadWriteOnce
hostPath:
path: /root/.maxkb
---
apiVersion: v1
kind: PersistentVolumeClaim
metadata:
name: maxkb-data-pvc
spec:
accessModes:
- ReadWriteOnce
resources:
requests:
storage: 10Gi
---
apiVersion: apps/v1
kind: Deployment
metadata:
name: maxkb
spec:
replicas: 1
selector:
matchLabels:
app: maxkb
template:
metadata:
labels:
app: maxkb
spec:
containers:
- name: maxkb
image: cr2.fit2cloud.com/1panel/maxkb
ports:
- containerPort: 8080
volumeMounts:
- name: maxkb-data
mountPath: /var/lib/postgresql/data
- name: python-packages
mountPath: /opt/maxkb/app/sandbox/python-packages
volumes:
- name: maxkb-data
persistentVolumeClaim:
claimName: maxkb-data-pvc
- name: python-packages
hostPath:
path: /root/.python-packages
---
apiVersion: v1
kind: Service
metadata:
name: maxkb
spec:
type: LoadBalancer
ports:
- port: 8080
targetPort: 8080
nodePort: 30080
selector:
app: maxkb
可以使用上述 YAML 在 k8s 中部署应用。
整体来说，MaxKB 在知识库创建和知识库创建上要比之前用过的其他产品简单一些，上手也比较容易。高级编排（也就是流程图）也是，节点比较少，用起来很快就能搞明白。
但是像工作流这块貌似是无法导出的，还有就是函数库功能，对于不会编码的用户来说也有一些使用成本在里面。
如果是想接触类似 AI 知识库应用的新手，MaxKB 还是很不错的；如果是想拥有更多配置化、更灵活的能力，则可以尝试 Dify 等其他产品。
