AnythingLLM لمستندات فريقك: إعداد عملي وحدود الخصوصية

لفريق من خمسة أشخاص، يكون AnythingLLM أنسب غالبًا عند تشغيل نسخة Docker واحدة على خادم تديرونه، مع حساب مستقل لكل مستخدم ونموذج محلي. يتيح ذلك إبقاء محادثات المستندات على خادمكم، لكن اختيار نموذج سحابي يعني إرسال النص المستخدم للإجابة إلى مزوّد ذلك النموذج. تخزين الملفات محليًا وحده لا يكفي لضمان بقاء المحادثة داخل الشركة.

يلائم AnythingLLM من يريد أولًا الإجابة عن أسئلة مستندات الشركة، ثم تزويد المساعد ببعض الأدوات المفيدة. اختر Desktop للاستخدام الفردي، وDocker لخادم مشترك، وCloud المُدار إذا أردت أن تتولى Mintplex Labs تشغيل البنية التحتية.

جرى التحقق بالرجوع إلى الموقع الرسمي للمشروع ووثائقه ومستودعه على GitHub في 5 نوفمبر 2026. الإعداد التالي مسار نشر موثّق يتضمن قيود وصول موصى بها، ولا يعني أننا أجرينا اختبار أداء أو أمان مكتملًا.

ما هو AnythingLLM، وأي نسخة تناسبك؟

يجمع AnythingLLM واجهة محادثة واسترجاعًا من المستندات ومساحات عمل ووكلاء، حول نموذج تختاره أنت. وتُحزَّم نسخة الخادم المشترك باستخدام Docker، وهو برنامج لتشغيل التطبيقات داخل حاويات. يُنتج النموذج اللغوي الكبير، أو LLM، الإجابة؛ أما AnythingLLM فيزوّده بالمستندات وسياق المحادثة والأدوات المتاحة التي تساعده على الإجابة عن سؤال العمل.

تخيّله مكتبة للشركة: مساحات العمل قاعات القراءة، والمستندات رفوفها، وفهرس البحث يعثر على المقاطع المفيدة، ثم يصوغ النموذج إجابة من المقاطع المعروضة أمامه. وقد يبقى أمين المكتبة داخل مبناكم أو يعمل لدى خدمة خارجية. هذا الاختيار الأخير يحدد من يطّلع على النص.

تضع مقارنة ميزات Desktop وDocker إدارة المستخدمين وضبط الوصول إلى مساحات العمل ضمن Docker. تثبيت Desktop على حاسوب كل زميل لا ينشئ خدمة فريق تُدار مركزيًا.

تستخدم Cloud المُدارة نسخة AWS معزولة تشغّلها Mintplex. العزل عن العملاء الآخرين مفيد، لكنه لا يحقق شرط إبقاء الملفات داخل مقركم. وتستبعد قيودها الموثّقة أيضًا النموذج اللغوي المدمج واتصالات أدوات MCP والوكلاء المبرمجين خصيصًا. وMCP معيار لربط الوكيل بأدوات خارجية. لذا توصل الخدمة بخدمة نماذج مدعومة بدلًا من ذلك. الوكلاء المدمجون والشفرة المخصصة القابلة للتنفيذ إمكانيتان مختلفتان.

لصاحب الشركة، يتمحور القرار حول من سيتولى صيانة الخادم. ولمسؤول تقنية المعلومات، يتمحور حول البيانات وبيانات الاعتماد المسموح بخروجها منه. إذا كان الشرط «أن تبقى مستنداتنا على أجهزتنا»، فابدأ بـDocker والمعالجة المحلية.

اختر النموذج بمعزل عن التطبيق

يستطيع AnythingLLM الاتصال بمزوّدي نماذج محليين أو سحابيين؛ لذلك لا يلزمك تثبيت التطبيق بعائلة نماذج واحدة. وتفرّق إعدادات المزوّدين بين الإعداد الافتراضي للنظام، والإعدادات التي تتجاوزه على مستوى مساحة العمل، والنموذج المستخدم للوكلاء.

يستخدم المحرك المدمج Lemonade، وهي طبقة لتقديم النماذج، مع llama.cpp، وهو برنامج يشغّل النماذج المحلية المتوافقة. ويقبل ملفات النماذج بصيغة GGUF، وهي صيغة لتعبئة النماذج القابلة للتنزيل. تعرض الوثائق أمثلة من Llama وPhi، ويعرض دليل Docker كذلك Qwen. اختر نموذجًا يناسب جهازك، ولا تفترض أن جميع نماذج العائلة الواحدة تتطلب العتاد نفسه.

تشمل الاتصالات المحلية الخارجية LM Studio، وهو تطبيق حاسوبي وخادم للنماذج، وLocalAI. وتشمل الاتصالات السحابية نماذج المحادثة من OpenAI، ونماذج Claude من Anthropic، وGoogle Gemini، إلى جانب نقاط اتصال عامة متوافقة مع OpenAI. وتضم قائمة التكاملات في المستودع مزوّدين إضافيين.

هذه خيارات اتصال، وليست ضمانًا بأن كل نموذج يجيد التعامل مع المستندات والصور واستدعاء الأدوات بالقدر نفسه. قد يكتب نموذج إجابة واضحة، ثم يختار الأداة الخطأ أو يعجز عن الالتزام بتعليمات طويلة.

كيف يعمل AnythingLLM مع Ollama؟

Ollama محرك نماذج مستقل يستطيع تزويد AnythingLLM بإجابات محلية. ويضيف التطبيق حوله مساحات عمل للمستندات وضوابط وصول. إذا كنت تشغّل بالفعل خدمة نماذج محلية تعمل جيدًا، فمن المعقول البدء بالإبقاء عليها.

يمكن للتثبيت الجديد أيضًا استخدام محرك النماذج المدمج الاختياري في Docker، كما يشرح الإعداد أدناه. اختيار نسخة الفريق لا يفرض إضافة خادم نماذج مستقل.

لمساحة عمليات سرية، اختر نموذج محادثة محليًا، وتحقق كذلك من نموذج الوكيل الخاص بها. ويمكن لمساحة أخرى استخدام مزوّد سحابي عندما تسمح سياسة بياناتها بذلك. لكن نموذج التضمين اختيار مستقل يسري على النظام كله، وهذا قيد أساسي على تلك المرونة.

كيف يستخدم AnythingLLM تقنية RAG مع مستنداتك؟

يزوّد البحث في مستندات AnythingLLM النموذج بمقاطع ذات صلة؛ ولا يعلّمه كل ملف بصورة دائمة. ويعني التوليد المعزز بالاسترجاع، أو RAG، البحث في مصادرك وإدراج نصوص مختارة منها ضمن السؤال المرسل إلى النموذج.

التضمين تمثيل عددي يُستخدم لمطابقة النصوص المترابطة. يقسّم التطبيق المستند إلى مقاطع، وينشئ تضميناتها، ويحفظ فهرسًا قابلًا للبحث. وعندما يطرح شخص سؤالًا، يختار الاسترجاع المقاطع المفيدة للإجابة. أما نافذة سياق النموذج فهي كمية النص التي يستطيع النظر فيها دفعة واحدة، بما يشمل التعليمات وسجل المحادثة وتلك المقاطع.

هناك طريقتان عمليتان لإتاحة المستندات:

• أرفق مستندًا بمحادثة عندما تحتاج إلى مساعدة بشأن ذلك الملف تحديدًا. يُدرج AnythingLLM نصه كاملًا افتراضيًا، ضمن حدود نافذة السياق. ويقتصر نطاق المرفقات على مساحة العمل وسلسلة المحادثة المعنيتين.
• أدرج مستندًا في فهرس تضمين مساحة عمل عندما تريد جعله معرفة قابلة لإعادة الاستخدام. يصبح متاحًا عبر سلاسل المحادثة في تلك المساحة وللمستخدمين الذين يملكون حق الوصول إليها.

يوضّح دليل التعامل مع المستندات هذا التغيّر في نطاق الإتاحة. نقل مسودة لأحد المالكين إلى مساحة مشتركة قرار بالمشاركة، حتى لو بدت المحادثة الأصلية خاصة.

ضع مثلًا سياسة الإرجاع المعتمدة في مساحة للدعم. سؤال «ما الذي يجب أن يتحقق منه موظف الدعم قبل الموافقة على الإرجاع؟» مناسب للاسترجاع. أما «اسرد كل الاستثناءات في جميع ملفاتنا» فيتطلب تغطية أوسع مما تثبته بضعة مقتطفات ذات صلة. راجع السياسة الأصلية قبل اعتبار الإجابة شاملة.

استخدم وضع Query في التجربة الأولى مع المستندات. فهو مصمم للإجابة من المواد المرفوعة والتنبيه عند غياب المعلومات ذات الصلة. ويستخدم وضع Chat المعرفة العامة للنموذج أيضًا، بينما يستطيع وضع Agent استدعاء الأدوات. هذه هي أوضاع المحادثة الموثّقة، وقد تبدأ مساحات العمل الجديدة بوضع Agent؛ لذا اختر الوضع عن قصد.

هل يحمي AnythingLLM مستندات الشركة الخاصة؟

يمنحك AnythingLLM التحكم في المكوّنات، لكن الخصوصية تعتمد على ضبط كل مكوّن يتعامل مع النص. السؤال المفيد هو أين تحدث المعالجة، لا ما إذا كان التطبيق يحمل وصف «محلي».

الملفات والنصوص المحفوظة. يحتفظ Desktop ببيانات التطبيق في مجلد تخزين محلي؛ ويحدد مرجع التخزين المستندات المحللة والتضمينات المخزنة مؤقتًا وقاعدة البيانات والملفات المرفوعة مباشرة. وفي Docker، اربط مجلد تخزين التطبيق بخادمك ليبقى محفوظًا. أما في Cloud المُدارة فتقيم بيانات التطبيق المقابلة على النسخة المستضافة.

التضمينات والفهرس. يحفظ إعداد LanceDB الافتراضي الفهرس المتجهي على نسخة AnythingLLM. أبقِ على مكوّن التضمين المدمج لمعالجة النص محليًا. إذا اخترت مزوّد تضمين سحابيًا، فلا بد من إرسال النص المراد تضمينه إليه، حتى إن حُفظت المتجهات الناتجة محليًا. واختيار قاعدة بيانات متجهية بعيدة يضيف موقعًا آخر يحفظ بيانات الفهرس. تعامل مع التضمينات والنص المفهرس باعتبارها بيانات عمل، لا وسيلة لإخفاء الهوية.

طلب الإجابة. يتلقى نموذج المحادثة السحابي محتوى الطلب المستخدم للإجابة: سؤالك، وسياق المحادثة المرفق، والنص المسترجع من المستندات. وقد يؤدي إرفاق مستند أو تثبيته إلى إرسال نصه كاملًا. يمكن أن يبقى ملف PDF الأصلي على خادمك بينما تغادره جمل سرية. وتحكم شروط المزوّد المستقبِل وإعدادات الاحتفاظ لديه تلك النسخة؛ ولا يستطيع AnythingLLM إبقاء طلب استدلال بعيد داخل مقركم.

الوكلاء والخدمات الخارجية. قد ترسل عمليات البحث على الويب وواجهات API الخارجية وأدوات MCP معلومات إلى جهات أخرى. لا يجعل النموذج المحلي تلك الخدمات محلية. ولمساعد مستندات داخلي بالكامل، عطّل المهارات الخارجية وتحقق من الأدوات المتاحة قبل إضافة ملفات حساسة.

أكثر تفاصيل الإعداد تأثيرًا وارد في وثائق إعداد التضمين: مكوّن التضمين يسري على النظام كله، بينما يمكن تغيير نموذج المحادثة بحسب مساحة العمل. أي إن مساحة تستخدم نموذج محادثة محليًا قد ترسل مستنداتها مع ذلك إلى مكوّن تضمين سحابي. إذا احتاج العمل السري والعمل المعالَج خارجيًا إلى سياستين مختلفتين للتضمين، فاستخدم نسخًا منفصلة بدل افتراض أن تجاوز إعداد نموذج المحادثة لمساحة معينة يوفر ذلك الفصل.

وفرّق أيضًا بين الحذف وإلغاء الوصول. إزالة مستند من مساحة عمل تُبقي الملف المحلّل وذاكرته المؤقتة في مكتبة المستندات. ويوضح دليل الخصوصية والحذف ضرورة حذفه من My Documents لإزالة المصدر المحلّل والتضمينات المخزنة مؤقتًا عبر مساحات العمل. أما نسخه في النسخ الاحتياطية أو الخدمات الخارجية فتحتاج إلى معالجة احتفاظ مستقلة.

بيانات الاستخدام إعداد آخر مستقل عن حركة بيانات النماذج. يمكنك تعطيل إرسالها من Privacy أو باستخدام DISABLE_TELEMETRY=true. ولا يعطّل ذلك المزوّدين السحابيين المضبوطين أو اتصالات الأدوات أو تنزيل النماذج.

إعداد خادم واحد لفريق من خمسة أشخاص

ابدأ بخادم Linux واحد وتخزين دائم للتطبيق ونموذج محلي وحسابات منفصلة. يفترض المثال التالي تثبيتًا جديدًا، ووجود Docker مسبقًا، ومسؤول تقنية معلومات يستطيع توفير وصول موثّق الهوية عبر شبكة خاصة قائمة ووكيل عكسي لـHTTPS يعمل على الخادم.

تحدد متطلبات Docker حدًا أساسيًا للتطبيق يبلغ 2GB من RAM، ومعالجًا بـ2 نواة، و5GB للتخزين. وليس هذا ضمانًا لكفاية الموارد للاستدلال المحلي أو لخمسة مستخدمين متزامنين. أضف ذاكرة ومساحة قرص للنموذج والمستندات والطلبات المتزامنة. وعلى جهاز Intel أو AMD يستخدم LanceDB الافتراضية، تحقق من دعم AVX2 داخل الخادم أو الآلة الافتراضية؛ أما ARM64 فله بناء مستقل.

1. 1

   أنشئ تخزينًا دائمًا وشغّل التطبيق

   نفّذ الأوامر على الخادم بصفتك مشغّله. يعدّل المثال أمر التثبيت الرسمي بربط منفذ الويب بعنوان الاسترجاع المحلي لتمريره عبر وكيل HTTPS، وإضافة إعادة التشغيل وتعطيل بيانات الاستخدام وتفعيل الاستدلال المحلي.

   export ANYTHINGLLM_STORAGE="$HOME/anythingllm"
   mkdir -p "$ANYTHINGLLM_STORAGE"
   touch "$ANYTHINGLLM_STORAGE/.env"
   sudo chown -R 1000:1000 "$ANYTHINGLLM_STORAGE"
   
   docker pull mintplexlabs/anythingllm:latest
   docker run -d \
     --name anythingllm \
     --restart unless-stopped \
     -p 127.0.0.1:3001:3001 \
     --cap-add SYS_ADMIN \
     -v "$ANYTHINGLLM_STORAGE:/app/server/storage" \
     -v "$ANYTHINGLLM_STORAGE/.env:/app/server/.env" \
     -e STORAGE_DIR=/app/server/storage \
     -e DISABLE_TELEMETRY=true \
     -e ENABLE_BUILT_IN_LLM=true \
     mintplexlabs/anythingllm:latest

   يحافظ الربط على بياناتك عند استبدال الحاوية. ويتبع ضبط الملكية المستخدم الموثّق لصورة الحاوية، 1000:1000؛ فلا تعالج خطأ تخزين بجعل المجلد قابلًا للكتابة من الجميع. ويتبع SYS_ADMIN الأمر المنشور، ويمنح الحاوية صلاحية واسعة؛ لذا أبقِ الخدمة على بنية تحتية مضبوطة. راجع تعليمات تثبيت Docker الرسمية.

2. 2

   اختر نموذجًا محليًا وأبقِ معالجة المستندات محلية

   أثناء الإعداد الأولي، اختر Built-in ونزّل نموذجًا يناسب الخادم، وأبقِ مكوّن التضمين المدمج وقاعدة البيانات المتجهية المحلية. وفي Settings > AI Providers > LLM، تأكد من النموذج المختار قبل رفع ملفات العمل.

   يشترط دليل النموذج المدمج في Docker وجود ENABLE_BUILT_IN_LLM=true عند بدء الحاوية. وضعه في ملف .env المربوط وحده لا يفعّل المحرك. يستخدم الأمر أعلاه الاستدلال عبر CPU. وللتسريع باستخدام NVIDIA، اتبع متطلبات Container Toolkit في الدليل وأضف --gpus all؛ أما وحدات AMD وIntel الرسومية فلها إعدادات أجهزة ومجموعات خاصة بها.

   نزّل المحرك والنموذج وبيئة التشغيل المطلوبة أثناء توفر الإنترنت. قيّم أداء CPU بعبء التجربة الفعلي قبل دعوة الجميع. يحتفظ المحرك المدمج بنموذج واحد محمّل في كل مرة؛ لذا ابدأ التجربة المشتركة بنموذج واحد.

3. 3

   فعّل الحسابات الفردية قبل إتاحة الخدمة للفريق

   على الخادم، افتح http://127.0.0.1:3001، أو اتصل بالخدمة على عنوان الاسترجاع المحلي عبر نفقك الإداري. في Security & Access، فعّل وضع تعدد المستخدمين وأنشئ حساب المسؤول الأول. سيُسجَّل خروجك؛ عُد للدخول ببيانات الاعتماد الجديدة.

   في مثال الفريق المكوّن من خمسة أشخاص، أنشئ حسابات أربعة زملاء أو ادعهم عبر إدارة المستخدمين، وامنح كلًا منهم دور Default. وبإضافة حسابك بدور Admin يصبح العدد خمسة مستخدمين. توضح وثائق الأدوار أن مستخدمي Default لا يستطيعون المحادثة إلا في مساحات العمل التي أُضيفوا إليها صراحة. ويستطيع Manager الاطلاع على جميع المساحات؛ لذا تتجاوز صلاحياته حاجة زميل ينبغي أن يرى مستندات قسم واحد فقط. أما Admin فيملك الوصول الكامل إلى النظام. والتحويل الموثّق إلى وضع تعدد المستخدمين لا رجعة فيه.

4. 4

   أنشئ مساحات العمل ووصل متصفحات الفريق

   أنشئ العمليات المشتركة للإجراءات المعتمدة، وأضف الحسابات الخمسة جميعًا. وأنشئ المالكون للمواد المقيّدة، وعيّن فقط من ينبغي أن يستخدمها. ضع كل مستند في مساحته المناسبة؛ ولا تُدرج مواد حساسة في فهرس العمليات المشتركة ثم تحاول إخفاءها بتعليمات للنموذج.

   اضبط وكيل HTTPS العكسي القائم لتمرير اسم المضيف الذي اختاره الفريق إلى http://127.0.0.1:3001 على هذا الخادم، واقصر الوصول الشبكي على الموظفين. يتعمد المثال عدم إتاحة منفذ ويب عام مباشرة. يفتح كل زميل عنوان HTTPS ويسجّل الدخول بحسابه الخاص.

5. 5

   نفّذ اختبار قبول قبل توسيع الاستخدام

   ابدأ بمجموعة صغيرة من المستندات المعتمدة وعشرة أسئلة تمثّل الاستخدام، بينها سؤالان لا تتضمن المستندات إجابتيهما. افحص المقاطع المصدرية ومساحات العمل المتاحة لمستخدم عادي، واختبر مستخدمًا ينبغي منع وصوله. ثم اطلب من الأشخاص الخمسة إرسال طلبات ممثلة للاستخدام معًا، وراقب التأخير واستهلاك الذاكرة.

   انسخ التخزين الدائم والإعدادات المربوطة احتياطيًا معًا، باستخدام حاوية متوقفة أو طريقة تضمن اتساق النسخة. احمِ النسخة الاحتياطية لأنها تتضمن مستندات وأسرار إعداد. سجّل إصدار صورة الحاوية المنشورة أو بصمتها قبل الترقيات الدورية، وتحقق من قدرتك على استعادة بيئة التجربة.

إذا استخدمت بدلًا من ذلك خادم نماذج محليًا خارجيًا قائمًا، فتحقق من مسار اتصال الحاوية به. يشير localhost داخل الحاوية إلى الحاوية نفسها، لا إلى خدمة النماذج على الجهاز المضيف. يشرح دليل الاتصال بالمضيف هذا الفرق؛ فاستخدم عنوانًا يمكن الوصول إليه، واقصر خدمة النماذج على الجهات الموثوقة.

الوكلاء وMCP: ما الذي قد يغادر مساحة العمل؟

يضيف الوكيل القدرة على تنفيذ إجراءات إلى محادثة المستندات. ويمكنه استخدام الأدوات لجلب المعلومات أو أداء المهام؛ لذا تستحق صلاحياته قدر الاهتمام نفسه الذي تمنحه للمستندات التي يقرأها.

في Settings > Agent Skills، اختر المهارات اللازمة لسير العمل فقط. بعض المهارات مفعّل افتراضيًا. ويتيح دليل إعداد الوكلاء اختيار نموذج وكيل لكل مساحة عمل أيضًا. وللتجربة الأولى، يُعد استرجاع سياسة معتمدة بداية أنسب من منح الوصول إلى جميع أنظمة الشركة.

Model Context Protocol، أو MCP، طريقة شائعة لربط النماذج بالأدوات داخل التطبيقات. ويدعم إعداد MCP في AnythingLLM خوادم محلية تعمل بالأوامر واتصالات بعيدة. قد تقرأ الأداة مجلدًا أو تستعلم من قاعدة بيانات أو تستدعي خدمة أخرى؛ وتحدد بيانات الاعتماد التي تمنحها إياها مدى ذلك الإجراء.

يدعم Docker المستضاف ذاتيًا MCP Tools، لكنه لا يدعم Resources أو Prompts أو Sampling، وفق دليل MCP في Docker. تُحفظ الإعدادات في plugins/anythingllm_mcp_servers.json داخل مجلد التخزين الدائم. افتح Agent Skills واستخدم Refresh بعد تغييرها.

يعمل خادم MCP المشغّل محليًا داخل الحاوية. ويرى مسارات الحاوية والملفات المربوطة صراحة، لا أي مجلد على المضيف. وقد تختفي تبعيات الأدوات المثبتة يدويًا عند استبدال الحاوية؛ لذا اجعل تثبيتها قابلًا للتكرار قبل الاعتماد عليها.

لا تفترض أن تقييد مساحة العمل يقيّد أيضًا بيانات اعتماد قاعدة البيانات التي تستخدمها الأداة. امنح الأداة حسابًا محدود النطاق، وتحقق من وصوله بصورة مستقلة. والتجربة بصلاحية القراءة فقط تسهّل فحص النتائج قبل السماح بإجراءات تعدّل السجلات أو ترسل الرسائل.

بدائل AnythingLLM: متى تختار أداة أخرى؟

اختر AnythingLLM عندما تكون مساحات المستندات المشتركة محور المهمة. تكمن ميزته في تكامل هذه المكوّنات، لا في امتلاكه حصرًا إمكانات محادثة المستندات أو MCP.

Open WebUI لواجهة محادثة مشتركة أوسع

يستحق Open WebUI أن يكون مرشحك الأول عندما تحتاج أساسًا إلى واجهة عامة تستضيفها بنفسك لخدمات نماذج مختلفة، مع إضافات تريد ضبطها. تغطي وثائقه اتصالات المزوّدين وقابلية التوسعة، ويشرح دليل الأساسيات الحالي مرفقات المستندات وقواعد المعرفة القابلة لإعادة الاستخدام.

أبقِ على Open WebUI إذا كان نشره الحالي يعمل ويلبي احتياجات المستندات والوصول لديك. تبديل الواجهة وحده لن يصلح مصادر ضعيفة أو نموذجًا غير مناسب. ورجّح AnythingLLM عندما تريد تنظيم الإطلاق حول عدد قليل من مساحات المستندات ذات العضوية المحددة بوضوح.

LibreChat لاتصالات أدوات تخص كل مستخدم

يستحق LibreChat دراسة أقرب عندما يحتاج كل شخص إلى ربط الأدوات ببيانات اعتماده الخاصة. تصف وثائق MCP لديه الاتصالات وبيانات الاعتماد الخاصة بكل مستخدم وتسجيل الدخول عبر OAuth، إلى جانب ربط الأدوات بالمحادثات أو الوكلاء.

هذا سبب عملي لتقييمه في شركة تعتمد أنظمة تمنح التفويض لكل فرد. والمقابل هو إدارة تلك الاتصالات واختيار نماذج تستدعي أدواتها بموثوقية. ولمكتبة سياسات صغيرة مشتركة مع مجموعة أدوات محدودة، يظل إعداد AnythingLLM القائم على مساحات العمل بداية أكثر مباشرة.

المقارنة بين AnythingLLM وLM Studio

يناسب LM Studio الفرد الذي يريد أساسًا تنزيل النماذج المحلية وتشغيلها ومقارنتها. وتغطي وثائق التطبيق الحالية أيضًا MCP وتقديم واجهات API والتشغيل دون واجهة، بينما يتناول دليل العمل دون اتصال محادثة المستندات محليًا. لذا يمكن أن يفيد بوصفه أداة مستقلة أو خدمة نماذج تعمل خلف تطبيق آخر.

اختر AnythingLLM Docker عندما يكون الشرط الحاسم تطبيق مستندات مشتركًا مع تعيين صلاحيات الوصول إلى مساحات العمل. واختر LM Studio عندما يكون الشرط الحاسم تشغيل النماذج. الفرق في الطبقة التي تحتاج إليها، وليس في أن «أحدهما يقرأ المستندات والآخر لا يستطيع».

للمفاضلة بين خدمتي تشغيل النماذج، راجع مقارنة Ollama وLM Studio. وإذا لم يناسب أيٌّ منهما عتادك أو متطلبات تقديم النماذج، فيغطي دليل بدائل Ollama بيئات تشغيل أخرى.

أين تبالغ وعود «الذكاء الاصطناعي الخاص»؟

«يعمل محليًا» وصف لإعداد معين، لا بيان كامل بمسار بياناتك. قد تستدعي واجهة محلية نموذجًا سحابيًا، وقد يستدعي نموذج محلي أداة خارجية، وقد يُبنى فهرس محلي بمكوّن تضمين سحابي.

وعبارة «تحدث مع جميع مستنداتك» تبالغ كذلك في وصف ما يراه الاسترجاع المعتاد. فهو يختار مقاطع، وقد يفوته الاستثناء الذي يغيّر الإجابة. إضافة المستندات لا تدرّب النموذج تدريبًا دائمًا، والمقطع المستشهد به يجب أن يدعم الاستنتاج فعلًا.

وأخيرًا، الحد الأدنى للتثبيت لا يضمن أداءً مناسبًا للفريق. يحدد التجربةَ النموذجُ وطول السياق وعبء التضمين وتداخل الطلبات. اعتمد الأداة الآن إذا كان لديك مسؤول عن الخادم ومهمة مستندات محددة. وانتظر إذا لم تحدد بعد من يحق له الوصول إلى الملفات أو كيف تبدو الإجابة المقبولة. واحتفظ بالنظام القائم إذا كان يلبي هذه المتطلبات بالفعل.

أسئلة شائعة

هل AnythingLLM مشروع موثوق؟

نعم. إنه مشروع مفتوح المصدر من Mintplex Labs، بشفرة ووثائق تثبيت متاحة للجمهور. يوضح ذلك مصدره، لكنه لا يشهد بأمان نموذجك أو إضافاتك أو إعداد خادمك تحديدًا.

ما استخدامات النماذج اللغوية الكبيرة؟

تولّد النماذج اللغوية الكبيرة النصوص وتلخصها وتجيب عن الأسئلة وتساعد في إعداد المسودات. والمهمة العملية المفيدة هنا هي الإجابة عن سؤال بالاستناد إلى مقاطع ذات صلة من مجموعة مستندات معتمدة. ويضيف الوكيل أدوات لتنفيذ إجراءات.

هل توجد نماذج ذكاء اصطناعي مجانية مفتوحة المصدر؟

نعم، توجد نماذج قابلة للتنزيل والتشغيل محليًا. راجع ترخيص كل نموذج وشروط الاستخدام التجاري، ولا تفترض أن ترخيص MIT الخاص بـAnythingLLM يسري أيضًا على أوزان النموذج. وتبقى للعتاد والإدارة تكاليف.

هل يمكن تشغيل نموذج لغوي محليًا باستخدام Ollama؟

نعم. شغّل نموذجًا مناسبًا في Ollama، ثم وصّل AnythingLLM بالخدمة على عنوان يمكنه الوصول إليه. وفي Docker، راعِ شبكة الحاويات بدل افتراض أن عنوان localhost للمضيف سيعمل داخل الحاوية.

ما أبرز الفروق بين Ollama وAnythingLLM؟

يوفر Ollama طبقة تشغيل النماذج. ويوفر AnythingLLM تطبيقًا للمستندات ومساحات العمل والوكلاء يستطيع استخدام تلك الطبقة. ويمكنهما العمل معًا، كما تتضمن نسخة AnythingLLM Docker الحالية محركًا مدمجًا اختياريًا.

ما أقل طريقة تكلفة لتشغيل النماذج اللغوية محليًا؟

ابدأ بعتاد تملكه بالفعل ونموذج يناسبه، ثم تحقق من أنه ينجز مهمتك بسرعة كافية. لا تشترِ عتادًا إضافيًا قبل تحديد موضع الاختناق. لا يوجد إعداد هو الأرخص للجميع بمعزل عن عبء العمل ووقت الانتظار المقبول.

ما أغبى نموذج لغوي كبير؟

لا يوجد تصنيف عام مفيد بهذا الوصف. قد يكتب نموذج بطلاقة ويفشل مع ذلك في استرجاع المستندات أو استخدام الأدوات. قيّمه بأسئلتك أنت، ومنها حالات ينبغي أن يقر فيها بأن المصدر لا يتضمن إجابة.

ما أذكى نموذج لغوي محلي؟

يعتمد الاختيار المناسب على المهمة والذاكرة المتاحة والتأخير المقبول. استخدم نموذجًا يلائم عتادك، وقيّم دقة الاستناد إلى المصادر وسلوك الأدوات. لا يدّعي هذا الشرح المستند إلى الوثائق وجود فائز في اختبار معياري.

كم أحتاج من RAM لتشغيل النماذج اللغوية محليًا؟

توصي متطلبات Desktop في AnythingLLM للاستخدام المحلي الأساسي بذاكرة RAM تبلغ 16GB ومعالج من 8 أنوية. ويحتاج الخادم أيضًا إلى سعة تكفي نموذجه المختار والطلبات المتداخلة. الحد الأساسي الأصغر بكثير، الخاص بالتطبيق وحده، ليس إجمالي الذاكرة المطلوبة للاستدلال المحلي.

أول خطوة عملية هذا الأسبوع

كلّف مسؤول تقنية معلومات واحدًا بالخادم، وامنحه مجموعة مستندات معتمدة واختبار قبول واضحًا. ابدأ بالاستدلال المحلي ومكوّن التضمين المدمج والتخزين المحلي ووضع Query؛ وأبقِ الأدوات غير الضرورية معطّلة. لا تدعُ الأشخاص الأربعة الآخرين إلا بعد التحقق من صلاحيات مساحات عملهم. وإذا أصبح النموذج السحابي ضروريًا، فحدّد صراحة النصوص المسموح بخروجها قبل تغيير ذلك الإعداد.

لإرشادات عملية حول توظيف الذكاء الاصطناعي في الشركات الصغيرة، اشترك في النشرة البريدية.