AnythingLLM：本地私有知识库 RAG 应用（All-in-One）｜部署与使用全指南

AnythingLLM —— 本地私有知识库 RAG 应用（All-in-One）

适配场景：Windows 10/11 + WSL2（Ubuntu 24.04）本地部署；RTX 3070 8GB / RTX 4090 24GB 均可使用。AnythingLLM 把 LLM 接入、文档解析、向量检索、工作区、Agent 工具与多用户管理打包在一个应用内，桌面版开箱即用，Docker 版支持多用户与嵌入网页聊天组件。

项目定位与基本信息

• 一句话定位：Mintplex Labs 出品的 All-in-One 本地优先 AI 应用（官方 README 原文："The all-in-one AI app you were looking for. Chat with your docs, use AI Agents, hyper-configurable, multi-user, & no frustrating setup required."；另一句："runs locally by default with zero setup friction"），支持商用与开源 LLM、向量数据库与嵌入模型，可在本机或服务器上自托管，提供私有知识库 RAG、工作区对话、Agent 技能与第三方数据连接器。
• 开源许可：MIT License。
• 出处 1：官方仓库 LICENSE 文件（https://raw.githubusercontent.com/Mintplex-Labs/anything-llm/master/LICENSE ，已下载核验，"The MIT License, Copyright (c) Mintplex Labs Inc."）。
• 出处 2：官方 README 徽章 "license: MIT"（https://github.com/Mintplex-Labs/anything-llm ）与 README 末尾 "This project is MIT licensed" 一节。
• 官方 GitHub 仓库：https://github.com/Mintplex-Labs/anything-llm
• 官方官网：https://anythingllm.com/ （产品介绍与下载入口，HTTP 200 已核验）。
• 官方文档站：https://docs.anythingllm.com/ （安装、provider、向量库、Agent、排障等全部官方说明；本站对 curl 有 Cloudflare 拦截，本章文档内容均通过 web.fetch 实际打开核验）。
• 官方下载页：https://anythingllm.com/download （桌面版一键下载入口，当前页标注版本 v1.18.0，HTTP 200 已核验）。
• 版本说明：截至 2026-10-25，官方最新 release 为 v1.18.0（发布时间 2026-10-13 16:15 UTC，来源：https://github.com/Mintplex-Labs/anything-llm/releases/tag/v1.18.0 ）；Docker Hub 官方镜像 mintplexlabs/anythingllm:latest 于 2026-10-23 更新（来源：https://hub.docker.com/r/mintplexlabs/anythingllm ）。

官方图片

两张图均来自官方渠道：Logo 取自官方 GitHub 仓库 images/wordmark.png；界面图取自官方 README 内嵌演示 GIF（release v1.11.2 资源）第 8 秒帧，用 ffmpeg 转为 PNG。未使用 AI 生成图或非官方截图；已用 file 命令核验为 PNG 且体积大于 20KB。界面图对应 v1.11.2 版本，与当前 v1.18.0 界面细节可能存在差异。

图 10-1 AnythingLLM 官方品牌标识（wordmark）

• 来源 URL：https://raw.githubusercontent.com/Mintplex-Labs/anything-llm/master/images/wordmark.png
• 下载方式：curl -L -o 10_anythingllm_logo.png "https://raw.githubusercontent.com/Mintplex-Labs/anything-llm/master/images/wordmark.png"
• 核验：file 显示 PNG image data, 800 x 200, 8-bit/color RGBA，体积 21,380 字节（>20KB）。

图 10-2 AnythingLLM 桌面端主界面（官方 README 演示 GIF 截帧）

• 来源 URL：https://github.com/Mintplex-Labs/anything-llm/releases/download/v1.11.2/AnythingLLM720p.gif （官方 README 第 45 行内嵌演示 GIF，31,147,746 字节，GIF 1240×720，HTTP 200 已核验）
• 下载与转码方式： bash curl -L -o anythingllm_demo.gif "https://github.com/Mintplex-Labs/anything-llm/releases/download/v1.11.2/AnythingLLM720p.gif" ffmpeg -y -ss 8 -i anythingllm_demo.gif -frames:v 1 10_anythingllm_ui.png
• 核验：file 显示 PNG image data, 1240 x 720, 8-bit/color RGBA，体积 118,709 字节（>20KB）。

环境要求

说明：AnythingLLM 应用本体很轻量（官方裸机 / Docker 指南最低 2GB RAM、建议 10GB 磁盘）；内存、显存与磁盘需求主要由你选择的本地 LLM、嵌入模型与文档规模决定。下表区分"应用本体最低要求"与"本地跑模型的推荐配置"。

最详细部署步骤（Windows 与 WSL2 两种视角，精确命令）

三条路径任选：A. 桌面版（Windows 本机，最省事，单用户）；B. Docker（WSL2 / Linux 服务器，支持多用户与网页组件）；C. 源码（Node 18 + Yarn，供二次开发，官方不提供支持）。

路径 A：Windows 桌面版（推荐个人自用）

A-1 下载安装包

1. 打开官方下载页 https://anythingllm.com/download ，选择 Download for Windows (x64) 或 Download for Windows (ARM)；页面当前版本为 v1.18.0。
2. 也可直接从 GitHub Releases 下载对应安装包（已核验 HTTP 200）： - x64：https://github.com/Mintplex-Labs/anything-llm/releases/download/v1.18.0/AnythingLLMDesktop.exe - ARM64：https://github.com/Mintplex-Labs/anything-llm/releases/download/v1.18.0/AnythingLLMDesktop-Arm64.exe

A-2 安装要点（官方 Windows 文档）

• 仅为当前用户安装：官方不推荐 "All users" 安装，会导致应用异常且不受支持；安装时选择 Current User only。
• 安装目录：%LOCALAPPDATA%\Programs\AnythingLLM；用户数据目录：%APPDATA%\anythingllm-desktop（工作区、文档、向量库、聊天记录、下载的模型均在此目录）。
• 首次启动可能需要 1–2 分钟（内置引擎与 GPU 依赖初始化），后续启动接近秒开。
• 内置本地 LLM 由 Lemonade + llama.cpp 驱动；NVIDIA / AMD / NPU 的 GPU 依赖在安装过程中自动下载。
• 静默安装（v1.16.1+，脚本化部署用）：

powershell # 静默安装，跳过约 2GB 的会议助手模型下载 .\AnythingLLMDesktop.exe /S # 静默安装并下载会议助手转写模型 .\AnythingLLMDesktop.exe /S /DOWNLOAD_MODEL=yes

静默卸载（保留数据）："$env:LOCALAPPDATA\Programs\AnythingLLM\Uninstall AnythingLLM.exe" /S；加 /DELETE_DATA=yes 会删除整个 %APPDATA%\anythingllm-desktop 目录且不可恢复。 依据：https://docs.anythingllm.com/installation-desktop/windows （Silent / headless installation 一节）。

A-3 启动与验证

双击桌面 "AnythingLLM" 图标启动；桌面版为原生应用，没有独立 Web 后台（后端仅监听 127.0.0.1，浏览器直接访问该端口不会得到完整界面）。无需注册账号、无需邮箱验证、无需 API Key 即可进入单用户界面。

路径 B：Docker 部署（WSL2 Ubuntu 24.04 / Linux 云服务器）

B-1 依赖安装（Windows 视角）

1. 安装 Docker Desktop for Windows，勾选 WSL2 backend；Settings → Resources → WSL Integration 勾选默认 Ubuntu 24.04 发行版并保存重启。
2. 建议全程在 WSL2 Ubuntu 终端执行 docker 命令，避免在 PowerShell / CMD 中操作，减少挂载卷路径不一致导致的问题（Docker Desktop + WSL2 通用实践）。

B-2 拉取镜像并启动（官方命令）

说明：官方 HOW_TO_USE_DOCKER.md 原命令带 --rm（容器退出即删除）；本章去掉 --rm 并显式 --name anythingllm，便于后续 docker start / stop 管理，功能等价。

Linux / macOS / WSL2（bash）：

export STORAGE_LOCATION=$HOME/anythingllm && \
mkdir -p $STORAGE_LOCATION && \
touch "$STORAGE_LOCATION/.env" && \
docker run -d -p 3001:3001 \
  --cap-add SYS_ADMIN \
  --name anythingllm \
  -v ${STORAGE_LOCATION}:/app/server/storage \
  -v ${STORAGE_LOCATION}/.env:/app/server/.env \
  -e STORAGE_DIR="/app/server/storage" \
  mintplexlabs/anythingllm:latest

Windows PowerShell（官方 HOW_TO_USE_DOCKER.md Windows 块；本章同样去掉 --rm、加 --name anythingllm，功能等价）：

$env:STORAGE_LOCATION="$HOME\Documents\anythingllm"
If(!(Test-Path $env:STORAGE_LOCATION)) { New-Item $env:STORAGE_LOCATION -ItemType Directory }
If(!(Test-Path "$env:STORAGE_LOCATION\.env")) { New-Item "$env:STORAGE_LOCATION\.env" -ItemType File }
docker run -d -p 3001:3001 `
  --cap-add SYS_ADMIN `
  --name anythingllm `
  -v "$env:STORAGE_LOCATION`:/app/server/storage" `
  -v "$env:STORAGE_LOCATION\.env:/app/server/.env" `
  -e STORAGE_DIR="/app/server/storage" `
  mintplexlabs/anythingllm

命令参数对照（官方文档与 server/.env.example）：

关于 Docker 内置 LLM（口径说明）：官方 Docker / 桌面功能矩阵中 "Built-in LLM provider" 为 桌面版 ✅、Docker ❌；仓库 docker/HOW_TO_USE_DOCKER.md 另记载可选环境变量 ENABLE_BUILT_IN_LLM=true（引擎 Lemonade + llama.cpp；NVIDIA 走 CUDA，AMD / Intel 走 Vulkan 且仅 Linux，无 GPU 回退 CPU）。两份官方材料口径随版本可能变化，Docker 场景建议直接对接外部 Ollama 实例或云端 LLM 接口，不依赖内置 LLM。

PostgreSQL 变体（官方 Quickstart pg 镜像命令）：按官方 Quickstart 要求，先启动一个运行中的 PostgreSQL 数据库并在该库中安装 PGVector 扩展，再使用 :pg 镜像启动；下面为示例命令，连接串中的主机、账号、密码、库名按实际实例替换（172.17.0.1 为 Linux Docker 访问宿主机的示例地址；完整命令块以官方 Quickstart 页面为准）：

export STORAGE_LOCATION=$HOME/anythingllm && \
mkdir -p $STORAGE_LOCATION && \
touch "$STORAGE_LOCATION/.env" && \
docker run -d -p 3001:3001 \
  --cap-add SYS_ADMIN \
  -v ${STORAGE_LOCATION}:/app/server/storage \
  -v ${STORAGE_LOCATION}/.env:/app/server/.env \
  -e STORAGE_DIR="/app/server/storage" \
  -e DATABASE_URL="postgresql://dbuser:dbpassword@172.17.0.1:5432/dbname" \
  mintplexlabs/anythingllm:pg

B-3 模型 / 依赖下载

• 本地 LLM（推荐对接本机 Ollama）：先在宿主机安装 Ollama 并 ollama pull qwen2.5:7b（示例模型，按显存选择）；AnythingLLM 首次启动会自动探测官方列出的 Ollama 地址（见 10.5.2）。
• 默认嵌入模型：内置 native 引擎使用 Xenova/all-MiniLM-L6-v2 的 ONNX 量化版（源自 Hugging Face，CPU 本地向量化，输出 384 维向量）；首次使用时下载到存储目录下的 models/Xenova 子目录并缓存（官方排障文档说明），模型说明见 server/storage/models/README.md。
• 国内网络说明：官方 README 说明即使关闭遥测，应用仍会访问 cdn.anythingllm.com 从官方镜像 CDN 拉取模型（该 CDN 不做遥测统计，对 VPN 受限地区反而有用）；嵌入模型来源为 Hugging Face 体系，若下载失败可改用 Ollama 嵌入引擎（EMBEDDING_ENGINE='ollama' + nomic-embed-text）规避，配置见 10.4.2 B-4 配置表。官方文档未提供第三方镜像站地址，本章不编造。

B-4 关键配置项总表（来源：官方 server/.env.example 与文档站）

B-5 启动与验证

docker logs -f anythingllm     # 观察启动日志，无报错后访问页面

浏览器访问 http://localhost:3001 即进入应用。

路径 C：源码部署（Node 18 + Yarn，二次开发用）

官方警告：该方式不受核心团队支持，部署安全与数据由使用者自负；以下步骤全部来自官方 BARE_METAL.md。

C-1 依赖安装（WSL2 Ubuntu 24.04）

官方 BARE_METAL.md 硬性要求 NodeJS v18 与 Yarn（未给出具体安装命令；Ubuntu 24.04 仓库默认 Node 版本并非 v18，需自行通过 nvm / NodeSource 等方式安装 v18，再安装 Yarn）：

# 前置：本机已具备 NodeJS v18（node --version 应为 v18.x）与 Yarn
yarn --version

说明：以下源码步骤全部来自官方 BARE_METAL.md；官方同时声明裸机 / 非容器化部署不受核心团队支持。

C-2 拉取源码与初始化

git clone git@github.com:Mintplex-Labs/anything-llm.git
cd anything-llm
yarn setup                                   # 安装生产与调试全部依赖
cp server/.env.example server/.env          # 生成基础配置文件

编辑 server/.env，至少设置：

STORAGE_DIR="/your/absolute/path/to/server/storage"

编辑 frontend/.env，把 VITE_API_BASE 设为 /api（非 localhost 地址 / Docker / 源码生产模式使用）：

VITE_API_BASE='/api'

C-3 构建前端、迁移数据库、启动进程

# 1. 构建前端
cd frontend && yarn build
# 2. 把构建产物交给 server 提供静态服务
cp -R frontend/dist server/public
# 3. 生成 Prisma 客户端并迁移数据库
cd server
npx prisma generate --schema=./prisma/schema.prisma
npx prisma migrate deploy --schema=./prisma/schema.prisma
# 4. 分别启动 server 与 collector 两个生产进程
cd server && NODE_ENV=production node index.js &
cd collector && NODE_ENV=production node index.js &

C-4 验证

浏览器访问 http://localhost:3001。更新流程：git pull origin master → 重复 C-3 构建、迁移、重启步骤；重启前先 pkill node，避免多进程冲突（官方 BARE_METAL.md 更新说明）。

使用方法

启动方式速查

界面操作步骤

1. 进入实例 - 桌面版：直接进入，无登录页。 - Docker 单用户模式：可在设置中打开 "Password Protect Instance" 设置实例密码；知道密码即可使用全部功能、查看所有会话。 - Docker 多用户模式：在设置中打开 "Enable multi-user mode"，填写用户名密码创建首个管理员账号（Admin，拥有全系统权限）；此后登出并以该账号登录。注意：一旦切换到多用户模式，无法回退到单用户模式。角色分三级：Admin（全量权限）、Manager（可查看所有工作区并管理属性，但不能改 LLM / 嵌入器 / 向量库设置）、Default（只能被加入指定工作区聊天）。 - 依据：https://docs.anythingllm.com/features/security-and-access 。
2. 连接 LLM 供应商 - 点击左下角 Settings（齿轮）→ AI Providers → LLM。 - 本地 Ollama：桌面版与 Docker 版都会自动探测以下地址，探测不到时在界面手动填写：
   • http://127.0.0.1:11434（桌面版 / 本机进程）
   • http://host.docker.internal:11434（Docker on Windows / macOS）
   • http://172.17.0.1:11434（Docker on Linux）
   • 也可选择 OpenAI、Anthropic、Gemini、DeepSeek、Generic OpenAI、LM Studio、Lemonade、Foundry Local 等供应商，填写 Base URL / API Key / 模型名后保存；系统默认模型之外，单个工作区可在工作区设置里另选模型。
   • 验证 Ollama 是否在跑：浏览器先打开 http://127.0.0.1:11434，应看到 "Ollama is running"；ollama run <模型名> 不会启动 API 服务，需保证 ollama serve 在运行。
   • 依据：https://docs.anythingllm.com/ollama-connection-troubleshooting ；https://docs.anythingllm.com/features/language-models 。
3. 配置嵌入器与向量库 - Settings → AI Providers → Embedder：默认 Built-in（native）Xenova/all-MiniLM-L6-v2，CPU 本地向量化；文档量大时可切换 Ollama / OpenAI / Cohere 等外部嵌入器。 - Settings → AI Providers → Vector Database：默认 LanceDB（本地文件）；可切换 Chroma、pgvector、Qdrant、Milvus 等。 - 依据：https://docs.anythingllm.com/features/embedding-models ；https://docs.anythingllm.com/features/vector-databases ；.env.example 第 206–351 行。
4. 创建工作区与上传文档 - 左侧工作区栏点击 ＋ New Workspace，命名（如 Blog-KB）并创建。 - 附加文档（Attach，全文注入）：把文件拖进聊天窗口，或点输入框旁 ＋；文档作用域为当前工作区 + 当前线程，其他线程不可见；默认把全文插入上下文，上下文窗口不足时会弹出三选一：Cancel（移除文档）/ Continue Anyway（继续全文，超出部分会被自动裁剪，回答易失真，官方不推荐）/ Embed（转入 RAG 嵌入工作区）。 - 嵌入文档（Embed / RAG，推荐建知识库）：上传后在文档管理中点 "Move into workspace"；文档被切分为分片 → 嵌入模型向量化 → 存入向量库；嵌入后对工作区所有线程可用，多用户模式下对工作区内所有用户可用。 - 支持多种文档类型（README 原文：PDF、TXT、DOCX 等 Multiple document type support）；内置网页 URL 抓取能力；各格式实际解析能力以采集器（collector）实现为准。 - 依据：https://docs.anythingllm.com/chatting-with-documents/introduction ；https://docs.anythingllm.com/chatting-with-documents/rag-in-anythingllm 。
5. 调优 RAG 参数（工作区齿轮图标） - Search Preference (Reranking)：仅 LanceDB 可用；默认搜索最相关分片；"Accuracy Optimized" 先取回更多分片再重排序，效果更好但慢约 100–500ms；重排序模型首次使用时下载一次。 - Max Context Snippets：送入 LLM 的相关分片数量；多数模型建议保持 4–6，大上下文模型可调高，过多噪声会误导回答。 - Document similarity threshold：过滤低相关分片；默认最低分数 20%；选项 No Restriction / Low（≥0.25）/ Medium（≥0.50）/ High（≥0.75）。出现幻觉或答非所问时先调到 No Restriction 排查。 - Document Pinning：已嵌入文档可固定为全文注入上下文，适合必须全文理解的关键文档；固定文档不参与 RAG 检索，避免重复注入。 - 依据：https://docs.anythingllm.com/chatting-with-documents/introduction （RAG settings 一节）。
6. Agent 模式与工具 - 在输入框输入 @agent 切换到 Agent 模式，输入 exit 退出；新版工作区默认聊天模式为 Agent（v1.11.1 起），另有 Chat（普通对话）与 Query（单次问答）模式可切换。 - 内置能力（官方 ai-agents 文档描述）：检索工作区知识库、抓取网站与联网浏览、列出与总结指定文档、生成图表、把结果文件保存到本地桌面，以及工作区长期记忆；各项能力在下方 Agent Skills 面板中逐项开关。 - Settings → Agent Skills 面板可逐项开关（官方下载页与文档截图中的内置技能）：RAG & long-term memory、View & summarize documents、Scrape websites、File System Access、Document Creation、Generate charts、Web Search、SQL Connector；App Integrations 子项：Apple Notes、Gmail、Google Calendar、Outlook。面板中另有 Generate & save files to browser 等内置动作；支持 NodeJS 自定义 Skill 与 MCP 服务器接入（@agent 会话可自动使用已配置的技能、工具与 MCP）。 - 依据：https://anythingllm.com/download （官方下载页 Agent Skills 面板截图）；https://docs.anythingllm.com/agent/custom/introduction ；https://docs.anythingllm.com/features/ai-agents ；https://docs.anythingllm.com/features/chat-modes ；https://docs.anythingllm.com/agent/intelligent-tool-selection ；https://docs.anythingllm.com/mcp-compatibility/overview （MCP 服务器接入）。

常用参数说明表

端到端示例：把博客 Markdown / PDF 文章做成私有问答知识库

前置条件：Docker 实例运行于 http://localhost:3001 ；本机 Ollama 已 ollama pull qwen2.5:7b（按 3070 8GB 显存选合适量化版本；4090 24GB 可换更大模型）。

1. 浏览器打开 http://localhost:3001 ；若开启多用户，用管理员账号登录。
2. Settings → AI Providers → LLM 选 Ollama，地址 http://host.docker.internal:11434（Windows Docker）或 http://172.17.0.1:11434（Linux Docker），模型选 qwen2.5:7b，保存。
3. 新建工作区 Blog-KB；点上传入口，把博客导出的 .md / .pdf 文章拖入；在文档列表中逐个 Move into workspace 完成嵌入（等待分片向量化完成）。
4. 回到工作区对话，确认聊天模式为 Agent 或 Chat；先问一句 "请总结本工作区文档的主题分布" 验证知识库已挂载。
5. 提问示例："根据已上传的博客文章，列出 WSL2 下部署本地大模型的步骤要点，并注明引用了哪几篇文档。"
6. 核验回答下方 Sources 引用片段；若模型答不到文档内容：先把 Similarity Threshold 调到 No Restriction 复测，再检查嵌入器是否为 Built-in 或 Ollama、文档是否已成功嵌入工作区、分片数是否被限制过低。

常见坑（现象 + 原因 + 解决）

1. 现象：Docker 版 AnythingLLM 选 Ollama 后模型列表为空，对话报连接失败 / ECONNREFUSED。 - 原因：容器内 localhost / 127.0.0.1 / 0.0.0.0 指向容器自身，不是宿主机；这是 100% 出现率的 Docker 连接错误。 - 解决：Windows / macOS Docker 改用 http://host.docker.internal:11434；Linux Docker 改用 http://172.17.0.1:11434；远程 Ollama 直接填对方机器可达 IP 并放开防火墙。先在宿主机浏览器访问 http://127.0.0.1:11434 确认 Ollama 服务在运行。 - 依据：https://docs.anythingllm.com/ollama-connection-troubleshooting ；https://docs.anythingllm.com/installation-docker/localhost 。

2. 现象：容器重启 / 升级后，工作区、文档、模型配置全部消失。 - 原因：docker run 遗漏 -v ${STORAGE_LOCATION}:/app/server/storage 数据卷挂载。 - 解决：严格使用 10.4.2 B-2 官方命令的两条 -v（存储目录 + .env）；官方文档明确 WARNING：不挂载该卷，数据在容器重启时即丢失。 - 依据：https://docs.anythingllm.com/installation-docker/local-docker （Pull / Run 一节 WARNING）。

3. 现象：容器启动后立即退出，日志结尾 Error: SQLite database error unable to open database file: ../storage/anythingllm.db。 - 原因：存储目录对容器内非特权用户（UID/GID 1000）不可写；常见于把 STORAGE_LOCATION 放在 /mnt、/data、/srv、/opt 等 root 拥有的顶层目录下。 - 解决：启动前把目录属主交给 1000：sudo chown -R 1000:1000 ${STORAGE_LOCATION}，删除死亡容器后重新执行官方启动命令。不要用 chmod -R 777——旧 issue 里该做法会让数据库、文档与含 API Key 的 .env 对本机所有用户可读可写；源码自建镜像且改过 UID/GID 时，以 .env 中的实际数值为准。 - 依据：https://docs.anythingllm.com/installation-docker/local-docker （unable to open database file 一节）。

4. 现象：容器启动或首次聊天时退出，日志结尾 /usr/local/bin/docker-entrypoint.sh: line 7: 115 Illegal instruction (core dumped) node /app/server/index.js。 - 原因：CPU 不支持 AVX2 指令集；默认向量库 LanceDB 基于 Intel Haswell（2013）基线编译，加载时直接杀进程。官方说明常见于老硬件、部分云实例族，以及 Proxmox / QEMU-KVM 等虚拟机中 hypervisor 把 AVX2 对客户机隐藏。 - 解决：① 在宿主 / 虚拟机内确认 CPU 是否暴露 AVX2（通用排查方式：lscpu 或 cat /proc/cpuinfo | grep flags | grep avx2；虚拟机需在 hypervisor 层把 CPU 直通为宿主类型后重启复测，具体选项随虚拟化平台不同）；② 物理 CPU 确实不支持 AVX2 时，按官方建议改用其他受支持的向量数据库（在 .env 中将 VECTOR_DB 切到 Chroma / pgvector / Qdrant 等，LanceDB 不被选中即不会被加载）；或换用支持 AVX2 的主机。 - 依据：https://docs.anythingllm.com/installation-docker/local-docker （Container exits with Illegal instruction 一节）；https://docs.anythingllm.com/installation-docker/system-requirements （CPU instruction set requirements 一节）；https://docs.anythingllm.com/fetch-failed-on-upload （Your CPU is not supported 一节）。

5. 现象：docker run 后浏览器打不开页面，日志报 port is already allocated / 3001 被占用。 - 原因：本机 3001 端口已被其他程序（如其他容器、本地服务）占用（Docker 通用排障，非 AnythingLLM 专有问题）。 - 解决：修改发布端口左侧数字，如 -p 3002:3001，浏览器访问 http://localhost:3002；容器内 SERVER_PORT 保持 3001 不变。

6. 现象：Windows 安装时报 "AnythingLLM cannot be closed"，无法继续安装。 - 原因：① 旧版本仍在后台托盘运行（v1.11.0 起关闭窗口最小化到系统托盘）；② 历史上曾按 "All users" 安装，残留需要管理员权限卸载的程序。 - 解决：托盘图标右键 "Quit AnythingLLM" 后点 Retry；第二种情况：右键桌面图标 → Open File Location → 运行 Uninstall AnythingLLM.exe（必要时以管理员身份运行），卸载后仅按 Current User 重装；上述操作不会删除数据与设置。 - 依据：https://docs.anythingllm.com/installation-desktop/windows （Troubleshooting 一节）。

7. 现象：桌面版安装 / 升级时 "Failed to install/extract GPU support from CDN"，内置模型只能跑 CPU。 - 原因：旧内置 Ollama 引擎从官方 CDN 拉取 GPU 支持文件时被网络 / 防火墙拦截；新版桌面内置引擎已切换为 Lemonade + llama.cpp，该旧问题仅针对遗留 Ollama 引擎。 - 解决：检查网络与防火墙后重启安装器；官方不建议手工修复该引擎（升级易破坏）；推荐做法是单独安装 Ollama，再由 AnythingLLM 自动探测并对接外部 Ollama 实例，版本间更稳定。 - 依据：https://docs.anythingllm.com/installation-desktop/windows （Failed to install/extract GPU support from CDN 一节）。

8. 补充说明（上传文件大小）：官方 server/.env.example 未提供独立的单文件上传大小限制环境变量；采集器（collector）源码 collector/index.js 中 FILE_LIMIT = "3GB" 为请求体上限（bodyParser.text/json/urlencoded 均按此值限制）。实际可用的单文件上限还受模型上下文窗口、分片策略与浏览器上传链路约束；超大文档建议先在本地拆分或转成纯文本再上传。 - 依据：https://raw.githubusercontent.com/Mintplex-Labs/anything-llm/master/server/.env.example ；https://raw.githubusercontent.com/Mintplex-Labs/anything-llm/master/collector/index.js （第 21、37–40 行）。

本节来源清单

待验证 / 未写死项说明： - 官方文档未给出容器内单文件上传的独立大小限制环境变量；10.6 第 8 条已明确标注该事实与源码请求体上限 3GB 的区别。 - 桌面版默认内置模型清单、版本随发布迭代；本章仅引用官方文档确认的引擎组合（Lemonade + llama.cpp），未罗列具体模型版本号。 - https://docs.anythingllm.com 对命令行 curl 返回 Cloudflare 403，文档类条目均通过 web.fetch 实际打开核验；GitHub 与官网类条目通过 curl 状态码与原文下载核验。