Meilisearch 是一个开源、快速、简洁的全文搜索引擎，专为构建高性能、实时的搜索功能而设计。其主要特点如下：

1. 极速搜索：Meilisearch 使用反向索引来加速搜索查询，因此能够在海量数据中提供毫秒级的响应时间，尤其适合实时搜索需求。

2. 智能搜索：Meilisearch 支持模糊搜索、拼写纠错、同义词匹配、结果排序等功能，使得用户在搜索时无需提供完全准确的关键词。

3. 即时更新：它支持对数据的实时更新，任何数据变动都会立即反映在搜索结果中，适合频繁变动的数据集。

4. 轻量级：Meilisearch 采用 Rust 编写，内存占用较低，部署和使用都非常简单。通过一个简单的 RESTful API 即可操作，无需复杂的配置和维护。

5. 多语言支持：Meilisearch 支持多种语言的文本处理和分析，包括词形还原、停用词处理等。对于不同语言，它可以自适应提供准确的搜索结果。

6. 搜索体验优化：它不仅支持传统的精确匹配，还能根据用户的搜索意图返回最相关的结果，提升用户体验。

7. 开源和可扩展性：由于是开源项目，开发者可以根据需要对其进行自定义扩展，并且有一个活跃的社区持续维护和改进。

Meilisearch 非常适合用于电商、博客、文档管理等需要提供快速搜索体验的应用场景。

1. Meilisearch 设置

1.1 部署 Meilisearch

首先，我们使用 Docker Compose 来启动 Meilisearch。创建一个 docker-compose.yml 文件，内容如下：

version: '3'  
services:  meilisearch:  container_name: meilisearch  image: getmeili/meilisearch:v1.8  environment:  - http_proxy  - https_proxy  - MEILI_MASTER_KEY=${MEILI_MASTER_KEY:-masterKey}  - MEILI_NO_ANALYTICS=${MEILI_NO_ANALYTICS:-true}  - MEILI_ENV=${MEILI_ENV:-development}  - MEILI_LOG_LEVEL  - MEILI_DB_PATH=${MEILI_DB_PATH:-/meili_data/data.ms}  ports:  - ${MEILI_PORT:-7700}:7700  networks:  - meilisearch  volumes:  - ./meili_data:/meili_data  restart: unless-stopped  
networks:  meilisearch:  driver: bridge  

1.2 配置环境变量

创建一个 .env 文件，用来存储 Meilisearch 的一些配置：

MEILI_MASTER_KEY=vhcdWXs31gt3cB76  
MEILI_NO_ANALYTICS=true  
MEILI_ENV=development  
MEILI_LOG_LEVEL=info  
MEILI_DB_PATH=./data.ms  
MEILI_PORT=7700  

参数	值	说明
MEILI_MASTER_KEY
Meilisearch 的主密钥，用于身份验证。
MEILI_NO_ANALYTICS
禁用分析功能。
MEILI_ENV
Meilisearch 环境设置，development 表示开发环境。
MEILI_LOG_LEVEL
设置日志级别为 info，用于输出一般信息。
MEILI_DB_PATH
数据库路径，指定 Meilisearch 存储数据的位置。
MEILI_PORT
Meilisearch 运行时的端口号。

1.3 启动 Meilisearch

有了 docker-compose.yml 和 .env 文件后，只需要运行以下命令即可启动 Meilisearch：

docker-compose up -d  

2. Ollama 设置

Ollama 是一个支持本地部署的大语言模型平台，可以帮助开发者通过 API 访问 AI 模型，并进行高效的自然语言处理任务。它通常用于构建自定义的 AI 应用和高级搜索功能，比如与 Meilisearch 集成进行向量搜索。Ollama 支持多种语言模型，并提供灵活的配置选项，允许开发者在本地或私有云环境中运行这些模型，避免了将数据发送到外部服务器的风险。

与 Meilisearch 集成时，Ollama 可以通过处理用户的查询，将其转换为向量，并与 Meilisearch 中的文档向量进行对比，从而实现高效的语义搜索。你可以通过 Ollama 的 API 定制各种自然语言任务，比如文本生成、摘要、分类等。

2.1 安装 Ollama

按照 Ollama 官方文档 的指示安装 Ollama。安装完成后，我们需要配置服务。

2.2 配置 Ollama 服务

创建一个新的 systemd 服务文件，路径为 /etc/systemd/system/ollama.service：

[Unit]  
Description=Ollama Service  
After=network.target  [Service]  
ExecStart=/usr/local/bin/ollama serve  
Restart=always  
User=root  [Install]  
WantedBy=multi-user.target  

2.3 允许外部访问

如果你需要从外部网络访问 Ollama，需要修改服务配置，允许绑定到所有网络接口。创建 /etc/systemd/system/ollama.service.d/override.conf 文件，内容如下：

[Service]  
Environment="OLLAMA_HOST=0.0.0.0"  

接着，运行以下命令来重新加载服务并启动 Ollama：

systemctl daemon-reload  
systemctl restart ollama  

3. 配置 Meilisearch 向量搜索

3.1 激活向量搜索功能

首先，确保你激活了 Meilisearch 的向量搜索功能。你可以通过以下命令来打开这个功能：

curl -X PATCH 'https://meili.x.net/experimental-features/' \  -H 'Content-Type: application/json' \  -H 'Authorization: Bearer vhcdWXsxi11Np1gt3cB76' \  --data-binary '{  "vectorStore": true  }'  

3.2 配置 Meilisearch 使用 Ollama

接下来，我们将 Meilisearch 和 Ollama 结合使用。通过以下命令将 Ollama 作为 Meilisearch 的嵌入模型：

curl -X PATCH 'https://meili.x.net/indexes/posts/settings' \  -H 'Content-Type: application/json' \  -H 'Authorization: Bearer vhcdWXs3idet3cB76' \  --data-binary '{  "embedders": {  "default": {  "source": "ollama",  "url": "http://149.x:11434/api/embeddings",  "model": "nomic-embed-text",  "documentTemplate": "The document titled {{doc.title}} contains: {{doc.summary|truncatewords: 20}}"  }  }  }'  

Nomic-embed-text是一个新发布的开源文本嵌入模型，具有8192的上下文长度，能够有效处理短文本和长文本任务。该模型在性能上超越了OpenAI的text-embedding-ada-002和text-embedding-3-small，且参数量为137M，属于较小的模型。它的训练数据集包含2.35亿个文本对，支持研究人员复现和审计模型。

4. 执行向量搜索

现在你已经完成了配置，可以开始执行向量搜索查询了。下面是一个简单的查询例子：

curl -X POST -H 'content-type: application/json' \  -H 'Authorization: Bearer vhcdWXs3eycNmxi11Np1gt3cB76' \  'https://meili.x.net/indexes/posts/search' \  --data-binary '{  "q": "Cloudflare tunnel Mac 本地设置隧道指南",  "hybrid": {  "semanticRatio": 0.1,  "embedder": "default"  }  }'  

参数	值	说明
source
指定嵌入器的来源，使用 Ollama 平台。
url
Ollama 提供的 API URL，用于生成嵌入向量。
model
使用的嵌入模型，nomic-embed-text 用于将文本转换为向量。
documentTemplate
文档模板，定义嵌入器如何从文档提取信息进行处理。{{doc.title}} 代表文档的标题，`{{doc.summary	truncatewords: 20}}` 代表文档摘要并截取前 20 个词。

5. 监控和维护

为了确保系统运行平稳，你可以查看 Ollama 的运行日志：

journalctl -u ollama.service -f  

还可以通过以下命令检查 Meilisearch 的设置是否正确：

curl -X GET 'https://meili.x.net/indexes/posts/settings' \  -H 'Authorization: Bearer vhcdWXs31Np1gt3cB76' \  -H 'Content-Type: application/json'  

​

如何学习AI大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的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】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。