本文详细介绍"nway_brain"项目，使用Rust后端语言搭配DeepSeek模型，构建可本地部署的知识库问答引擎。项目包含数据层、检索层、语义缓存层、推理层和接入层五大模块，支持多路检索、语义缓存、流式输出，实现ms级响应速度，确保数据安全。提供完整API接口、配置说明和测试数据，帮助开发者从零开始搭建企业级本地大模型知识库系统。

1. 项目背景与设计目标

在很多企业/个人场景下，我们并不需要复杂的在线服务，只想要：

• 本地可部署

  ，数据不出机

• 支持 DeepSeek 等推理增强模型

• 对接个人/团队知识库（接口调用方式等）

• 延迟尽可能低，最好做到 ms 级别“感觉上秒回”

• 可以方便地集成到 CLI / Web / 其他服务中

于是我们设计了一个实验性项目：nway_brain —— 用 Rust 作为主后端语言，搭配 DeepSeek 模型，实现一个可本地部署的知识库问答引擎，并加上 端到端语义缓存，尽可能压榨响应速度。

---

2. 总体架构概览

整体架构可以拆成五个模块：

1. 数据层

• 原始文件：我们不关心，在于你通过测试的API处理
• 向量索引：存放在本地向量数据库（如 LanceDB）
• 元信息：文档 ID、段落位置、标签等

2. 检索层（Retriever）

• 负责从向量库里找到最相关的 Top-K 片段
• 支持多路检索（BM25 + 向量检索融合）

3. 语义缓存层（Semantic Cache）

• key：用户 query 向量
• value：模型最终答案（含引用）
• 命中策略：相似度超过阈值直接返回缓存结果

4. 推理层（LLM / DeepSeek）

• 将检索结果 + 历史对话拼成 Prompt
• 通过 HTTP 调用 DeepSeek API 或本地部署的推理服务
• 支持流式输出 / 中途打断

5. 接入层

• HTTP / gRPC API
• CLI 客户端
• 简易前端（可选）

简单用 ASCII 图表示如下：

┌──────────────┐          │  CLI / Web   │          └──────┬───────┘                 │ HTTP/gRPC        ┌────────▼─────────┐        │   nway_brain     │        │  (Rust Service)  │        └───┬────────┬─────┘            │        │     ┌──────▼─┐  ┌───▼────────┐     │语义缓存│  │   检索层   │     └────┬───┘  └────┬───────┘          │           │          │     ┌─────▼───────┐          │     │ 向量数据库  │          │     └─────┬───────┘          │           │     ┌────▼───┐  ┌────▼───────┐     │ Deep-  │  │ 原始文档库 │     │ Seek   │  └────────────┘     └────────┘

---

3. 配置文件config.ini：

# Server 配置[server]host = 0.0.0.0port = 13000# Storage 配置[storage]data_dir = ./dataembed_model = BAAI/bge-small-zh-v1.5# LLM 配置[llm]enable_gpu = truemodel_path = models/llm/qwen2.5-3b-instruct-q4_k_m.gguftokenizer_path = models/llm/qwen2.5_tokenizer.jsonmax_new_tokens = 256

我们在models/llm/下有DeepSeek的模型文件qwen2.5-3b-instruct-q4_k_m.gguf,如果要使用它，则替换即可

这里默认的http api端口为13000，你可以根据需要修改。 以下文档中api相关的接口会以http://127.0.0.1:13000/api/开头。

** 切记：本服务支持GPU也支持CPU，请根据需要选择启动方式 **

4. 启动服务

./nway_brain_gpu

5. API接口

详见nway_brain_api_docs.md

功能	方法	路径
Prometheus 指标	GET	/metrics
创建业务	POST	/api/business/create
删除业务	DELETE	/api/business/{id}
新增知识条目	POST	/api/business/{id}/knowledge
删除知识条目	DELETE	/api/business/{id}/knowledge/{kid}
更新业务配置	POST	/api/business/{id}/config
业务问答（RAG/FAQ）	POST	/api/business/{id}/query

6. 测试数据

在我们的下载包中有一个test文件夹，里边有两个文件：

1. init_water_data.py ，它是一个用来帮我们进行初始化话术数据的脚本。

7. 下载地址

通过网盘分享的文件：Nway_brain 链接: https://pan.baidu.com/s/12xjmlSKgn8t4yBjayDxZ2Q?pwd=gtyw 提取码: gtyw

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。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，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大模型的学习中的很多困惑。我们整理出这套 AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2025 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？