本地部署AI应用的一个重要原因就是要用RAG技术对知识库进行管理。
简单来说就是大语言模型的上下文通常只有16K-128K，也就是3万字到12万字，这对于知识库管理显然是不够，且过长的文本对于大模型来说存在注意力衰退问题。当然也有例外，比如谷歌的Gemini和海螺的Minimax，这两者的上下文分别达到了一百万和四百万。
RAG技术就是通过embedding模型对大文本进行向量化匹配问题进行初步筛选，再由reranke模型进行排序，再交由大语言模型进行处理。有兴趣的可以看：
[[RAG系列（一）：一文让你由浅到深搞懂RAG实现]]
[[为什么RAG一定需要Rerank？]]
本文以在MAC上部署Xinference+bge-m3/bge-reranker-v2-m3为例：
一、部署Conda
1. 下载Miniconda安装脚本
下载Mac系统的安装脚本：
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-arm64.sh
注1：如果出现
zsh: command not found: wget时，执行brew install wget来安装 wget ，也可以拿报错日志问豆包注2：Intel芯片Mac或PC需访问Miniconda官网查询对应版本替换脚本文件名
安装wget，如果连homebrew也没有，问大模型如何安装homebrew
2. 运行安装脚本
bash Miniconda3-latest-MacOSX-arm64.sh
3. 刷新Shell环境
source ~/.bashrc
#刷新环境
~/miniconda3/bin/conda init zsh
#激活conda ~换成实际路径
4. 验证安装
conda --version
二、使用Conda安装Xinference
1. 创建并激活虚拟环境
conda create --name xinference_env310 python=3.10
#创建虚拟环境
conda activate xinference_env310
#激活虚拟环境
2. 安装必要依赖
pip install torch
pip install "transformers>=4.36.0"
pip install "sentence-transformers>=3.2.0"
3. 硬件加速（可选）
# Apple M系列
CMAKE_ARGS="-DLLAMA_METAL=on" pip install llama-cpp-python
# 英伟达显卡
CMAKE_ARGS="-DLLAMA_CUBLAS=on" pip install llama-cpp-python
# AMD显卡
CMAKE_ARGS="-DLLAMA_HIPBLAS=on" pip install llama-cpp-python
4. 安装Xinference
pip install xinference
三、启动Xinference服务
# 前台运行
xinference-local --host 0.0.0.0 --port 9997
# 后台运行
nohup bash -c 'xinference-local --host 0.0.0.0 --port 9997' > xinference.log 2>&1 &
验证地址：http://localhost:9997
四、模型安装
通过WebUI下载：
推荐模型： bge-m3、bge-reranker-v2-m3保持终端运行状态并下载（后台运行方式见下一章）
五、创建后台守护服务（macOS）
打开Automator → 新建"应用程序"
添加「运行Shell脚本」组件：
source /opt/anaconda3/etc/profile.d/conda.sh
conda activate xinference_env
nohup xinference-local -H 0.0.0.0 --port 9997 > /tmp/xinference.log 2>&1 &
保存为
XinferenceDaemon.ap``p至/Applications系统偏好设置 → 用户与群组 → 登录项中添加该应用
查看日志：
tail -f /tmp/xinference.log
六、dify调用配置
安装OpenAI-API-Compatible插件
设置 → 模型供应商：
Rerank/Embedding模块配置
填入对应的Xinference接口信息（如host.docker.internal:9997）
