许多小伙伴是不是和我一样都存在这样的困惑：既然上期我们已接入DeepSeek大语言模型，为何构建知识库还需要向量模型(FastGPT分类为索引模型)？

这本质上涉及RAG技术架构的双引擎设计——语言模型如同内容生成专家，负责语义理解与答案组织；向量模型则扮演智能检索中枢，通过将非结构化数据（文档/图片/表格等）映射到高维向量空间，确保回答精准锚定私有知识而非通用语料。
今天我们将以BGE-M3向量模型为密钥，完整打通知识宫殿的检索增强通路。

Embedding模型获取
🔥访问 https://ollama.com/ → 精准锁定[Models]→ 搜索框输入[bge-m3] → 复制右侧ollama run 命令!

一行代码搞定安装
🔥在终端暴力执行这条暗网级参数命令，强拽bge-m3模型。

#注意docker exec -it ollama为固定，表示在ollama容器执行命令
#ollama pull bge-m3(上个步骤复制的命令）
docker exec -it ollama ollama pull bge-m3

⚠️保持终端联网千万别手贱关窗口！→ 死死盯着这个进度条 → 闪现
Success ✨才是真正成功！

验证模型是否生效

#在ollama容器中执行命令，查看已安装的模型列表

🔥你以为安装完bge-m3向量模型就通关了？——**这才是AI赛道的起跑线！关注【IT技术工坊】**下期核弹预告：FastGPT完美驯服本地DeepSeek R1:1.5B！

• 8G内存轻松跑AI大模型！2步极速私有化部署DeepSeek R1指南
• 数据安全自主掌握！Ollama私有化部署模型，告别在线充值API烦恼
• FastGPT+宝塔面板：轻松搭建AI对话系统