【导读】
【导读】本⽂是2024Zabbix中*会讲师程哲的演讲内容，介绍如何通过开源⼯具构建基于Zabbix官⽅⽂档的知识库问答系统并嵌⼊⾄Zabbix前端，本文详细阐述了系统环境搭建与基础安装过程的全过程（含代码）。
【作者】程哲，2024Zabbix中*会演讲嘉宾、Zabbix7.0中⽂⼿册译者
本文目录
1.背景介绍（含系统特点和架构介绍）
2.硬件需求
3.安装部署
4.配置Maxkb
5.嵌⼊⾄Zabbix前端
6.效果展示
7.Q&A（常见使用场景）
1
背景介绍
构建基于Zabbix官⽅⽂档的知识库问答系统，利⽤语⾔模型和检索增强⽣成技术，可以理解⽤户提问并检索相关信息给出准确答案，提⾼⽤户检索⼿册效率和使⽤体验。
系统特点
① 基于开源技术，⽀持容器化部署，简单上⼿
② ⾼效的知识整合与检索
③ ⽀持私有化部署，数据可以完全在内⽹处理，安全可靠
架构系统
2
硬件需求
Server- 01
CPU/内存/GPU/硬盘：4核⼼/16G/⽆需/500G硬盘，用途：部署Zabbix7.0
Server- 02
CPU/内存/GPU/硬盘：8核⼼/32G/⽆需/500G硬盘，用途：部署Maxkb ，通过API调⽤公有⼤模型参考。
CPU/内存/GPU/硬盘：8核⼼/Llama3-8B⾄少16GB ，Llama3-70B⾄少 64GB/具有⾄少8GB VRAM的GPU ，最好是⽀持 CUDA的NVIDIA GPU/500G硬盘，用途：部署Maxkb ，私有化部署⼤模型参考。
Server-02 的硬件有两种选择⽅案。 当私有化部署⼤模型时硬件需求⽆法得到满⾜时，建议通过 API 调 ⽤公有⼤模型，否则可能会造成使⽤感知下降，进⽽带来不佳的体验。
3
安装部署
在Server1上部署Zabbix7.0
本次Zabbix部署环境选⽤CentOS Stream 9+mysql
安装相关软件
登录 MySQL 创建⽤户和库
导⼊数据库，修改配置⽂件
在Server2上安装Maxkb
部署环境选⽤CentOS系统，安装maxkb前请提前安装好Docker ，—键安装Maxkb命令如下：
申请公有⼤模型API授权
（选做，硬件配置不足时推荐）
国内主流⼤模型均可，如阿⾥通义千问，讯飞星⽕ ，腾讯混元等，⾸次使⽤可申请免费tokens ，具体申 请⽅式详⻅各⼚家官⽹ ， 申请后请妥善保存接⼝认证信息。
在Server2上安装Ollama
（选做，本地部署大模型时推荐）
① 下载Ollama：
② 下载安装脚本：
③ 编辑官⽅安装脚本，将脚本中下载源替换为已经从Github中下载到本地的安装⽂件
④ 请将脚本71-94⾏替换为如下内容
⑤ 执⾏安装脚本即可
注 ：本次下载ollama模型使⽤了GitHub ⽂件加速下载，也可直接从ollama官⽹下载安装，命令为：
⑥ 修改Ollama配置⽂件
在[Service]下⾯加上：
⑦ 重启ollama
配置Maxkb
通过浏览器访问 MaxKB：
配置模型（公有⼤模型API）
进⼊系统管理-模型设置中，列表中列出了所有调⽤模型，选择已申请到的⼤模型API Key ，将授权填⼊ 即可。
配置模型（私有部署⼤模型）
进⼊系统管理-模型设置中，列表中列出了所有可调⽤模型，选择Ollama
API域名请填写私⽹地址+端⼝号，API Key未设置的话可随意输⼊任意字符， 随后会进⼊下载阶段，等待 下载完成。
新建知识库并配置
选择知识库-创建知识库，有两种类型可选，通⽤型可上传或⼿动录⼊⽂档，Web站点可以直接同步⽹站 ⽂本数据，本次上传本地Zabbix-7.0⼿册pdf⽂档，上传完后会⾃动进⾏索引并进⾏向量化处理，等待索 引完成即可。
新建应⽤并配置
选择应⽤-创建应⽤ ，输⼊⾃定义名称及描述，选择简单应⽤即可。
在设置中根据实际情况修改AI模型及⾃定义开场⽩ ，并关联已上传的知识库，可在参数设置中对检索模 式和召回分段进⾏设置，测试并调整⾄合适效果即可。
5
嵌⼊⾄Zabbix前端
在Maxkb中找到应⽤-zabbix知识库⼩助⼿-概览-嵌⼊第三⽅
找到浮窗模式，复制所有代码，编辑Zabbix前端⽂件
在第62⾏加⼊
echo ' *******（此处为maxkb中复制的代码） ';
在第96⾏加⼊
echo ' *******（此处为maxkb中复制的代码） ';
最后重启zabbix即可
6
效果展示
7
Q&A
常见使用场景
① 可以将以往运维⼯程师的故障处理⼼得进⾏提炼，形成已知故障案例库并导⼊知识库。 当相似问题重 现时，能够快速检索到相关分析路径与恢复步骤，缩减故障排查时间。
② 如果可联⽹ ，也可以直接在Zabbix前端通过调⽤公有⼤模型提供检索服务，⽅便对检索互联⽹信息。
如何增强回答的准确性
① 知识⽂档优化，进⾏⽂本规范化处理，去除特殊字符、不相关及冗余信息，合理分段，提升⽂档可读 性。
② 向量检索优化， ⾃定义 embedding 模型，结合知识库数据量设置不同搜索模式，调整相似度值与 TOP 分段，精准定位所需内容。
③ 提示词优化，依据问答场景设置特定提示词，引导模型适应各种应⽤场景，提供贴⼼服务。
④ 模型层⾯优化，接⼊参数更多、性能更强且数据不断更新的模型，或按需接⼊⽤户⾃⾏微调的模型， 满⾜个性化需求。