本文演示了如何使用 AnythingLLM 结合 DeepSeek R1 模型构建本地知识库并进行数据分析。通过上传 Excel 数据，AI 能够准确执行累计查询、分布分析及增长归因，甚至生成战略建议。文章详细记录了从数据准备、向量化处理到 API 配置的完整流程，并提供了 Docker 部署命令及安全隐私注意事项。实验表明，该方案在数据准确性上与传统 BI 工具相当，且在洞察提炼效率上更具优势，适合需要快速响应数据需求的业务场景。
本文介绍如何利用 AnythingLLM 结合 DeepSeek R1 模型构建本地知识库，并实现高效的数据分析能力。通过实际案例演示，展示 AI 在处理 Excel 数据、生成报表及提供战略建议方面的表现。
为了获得最佳的分析效果，建议准备结构清晰的 Excel 文件。虽然 AnythingLLM 具备较强的解析能力，但规范的数据能显著提升准确率。
将 Excel 文件上传至 AnythingLLM 后，系统会自动进行分块并向量化处理。这意味着数据被存储在本地向量数据库中，实现了私有化知识库的构建，确保数据不出域。
通过自然语言提问，AI 能够直接读取上下文中的数据进行计算和分析。
问题：Fun Snack 23 年与 24 年的累计产量是多少？
AI 回答逻辑： DeepSeek R1 会分别检索 Context 0（2023 年）和 Context 1（2024 年）的数据，按品类和市场进行聚合求和。
输出结果示例：
验证对比：经与专业 BI 工具（如 Tableau）结果核对，数据完全一致。
问题：24 年全工厂总产量按品类的分布情况如何？
AI 回答逻辑： 计算各品类占总产量的百分比，并按市场拆解子数据。
输出结果示例：
验证对比：不仅数值准确，百分比计算也符合预期。
问题：对比 24 年和 23 年，哪个市场增长最猛？带动增长的品类是什么？发生在哪几个月？
AI 回答逻辑：
输出结论示例：
问题：结合 23 年与 24 年增长情况，为 25 年提炼 5 条建议，应对全方位增长和生产安排。
AI 回答逻辑： 基于历史数据预测未来趋势，考虑产能互补、排产平稳等因素。
输出建议示例：
AnythingLLM 支持多种部署方式，推荐使用 Docker 容器化部署以保证稳定性。
docker run -d --name anythingllm \
-v $(pwd)/anythingllm:/app/server/.local/storage \
-p 3001:3001 \
mintplexlabs/anythingllm
尽管文件是在本地向量化，但如果使用云端 API（如 DeepSeek），对话内容会经过服务商服务器。对于高度敏感数据：
通过 AnythingLLM 与 DeepSeek R1 的结合，企业可以快速搭建低成本、高效率的本地数据分析助手。相比传统 BI 工具，AI 在洞察提炼和报告生成方面具有显著优势，能够辅助决策者快速响应市场变化。随着本地大模型技术的成熟，未来的数据分析将更加智能化和自动化。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online