اگر شرکت شما انبوهی از فایل‌های PDF، قرارداد، مستندات فنی، آیین‌نامه داخلی و فایل‌های Word دارد، پیدا کردن یک بند مشخص از میان این اسناد می‌تواند وقت زیادی بگیرد. راه‌حل مدرن این مشکل، راه‌اندازی یک دستیار هوش مصنوعی خصوصی روی سرور مجازی است که به محتوای اسناد شما پاسخ می‌دهد.

با استفاده از AnythingLLM می‌توانید اسناد سازمانی را روی سرور قرار دهید و با فناوری RAG از هوش مصنوعی درباره محتوای آن‌ها سؤال بپرسید. به‌جای باز کردن چندین PDF، کارمند شما فقط می‌پرسد: «شرایط فسخ قرارداد در اسناد شرکت چیست؟» و پاسخ را مستقیماً دریافت می‌کند.

AnythingLLM چیست و چه کاری انجام می‌دهد؟

AnythingLLM یک پلتفرم متن‌باز برای ساخت محیط‌های خصوصی هوش مصنوعی است که اسناد، مدل‌های زبانی، Embedding و پایگاه‌های داده برداری را در یک محیط واحد یکپارچه می‌کند. این نرم‌افزار را می‌توان روی سرور مجازی یا سیستم شخصی اجرا کرد و برای هر موضوع، یک Workspace جداگانه ساخت.

هر Workspace مجموعه اسناد و زمینه اطلاعاتی مخصوص خودش را دارد. AnythingLLM نقش یک لایه مدیریتی بین شما، اسناد و مدل هوش مصنوعی ایفا می‌کند.

User
  │
  ▼
AnythingLLM
  │
  ▼
Workspace
  │
  ▼
RAG (Retrieval-Augmented Generation)
  │
  ▼
Document Knowledge Search
  │
  ▼
Language Model
  │
  ▼
Response to User

چرا Self-Hosting روی سرور مجازی برای اسناد شرکت منطقی‌تر است؟

وقتی اسناد شرکت حاوی اطلاعات محرمانه هستند، استفاده از سرویس‌های عمومی هوش مصنوعی همیشه گزینه مناسبی نیست. با Self-Hosting روی سرور مجازی ایران یا سرور اختصاصی خودتان، کنترل کامل روی زیرساخت و داده‌ها در دست شماست.

مزایای این روش:

RAG چیست و چرا برای اسناد سازمانی حیاتی است؟

RAG یا Retrieval-Augmented Generation روشی است که در آن مدل هوش مصنوعی مجبور نیست تمام اطلاعات شرکت را از قبل در حافظه داشته باشد. زمانی که کاربر سؤال می‌پرسد، سیستم ابتدا مرتبط‌ترین بخش‌های اسناد را پیدا می‌کند و سپس آن اطلاعات را در اختیار مدل قرار می‌دهد.

مثلاً اگر ۵۰۰ فایل PDF داشته باشید و بپرسید «شرایط فسخ قرارداد مشتریان چیست؟»، سیستم مراحل زیر را طی می‌کند:

User Question
      │
      ▼
Semantic Search
      │
      ▼
Find Relevant Document Sections
      │
      ▼
Send Context to LLM
      │
      ▼
Generate Answer Based on Your Documents

در نتیجه مدل به‌جای پاسخ صرفاً بر اساس دانش عمومی، از اطلاعات موجود در اسناد شما استفاده می‌کند.

مشخصات سرور مجازی مورد نیاز برای AnythingLLM

مستندات رسمی AnythingLLM حداقل ۲ گیگابایت RAM، یک پردازنده دو هسته‌ای و ۵ گیگابایت فضای ذخیره‌سازی را برای اجرای خود سرویس ذکر می‌کند [citation:4][citation:16]. اما برای استفاده واقعی سازمانی، منابع بیشتری نیاز دارید.

⚠️ نکته مهم: پردازنده شما باید از دستور AVX2 پشتیبانی کند، در غیر این صورت LanceDB (دیتابیس برداری پیش‌فرض) بارگذاری نمی‌شود و Container بلافاصله با خطای Illegal instruction متوقف می‌شود [citation:5]. در سرورهای مجازی، حتماً از داخل ماشین مجازی این قابلیت را بررسی کنید.

اگر مدل هوش مصنوعی را روی سرویس ابری اجرا کنید، سرور مجازی فقط AnythingLLM و پردازش RAG را اجرا می‌کند. اما اجرای مدل‌هایی مثل Llama به‌صورت محلی، منابع سخت‌افزاری بسیار بیشتری می‌طلبد.

مرحله اول تا سوم: آماده‌سازی سرور و نصب Docker

با SSH به سرور متصل شوید:

ssh root@SERVER_IP

سیستم را به‌روزرسانی کنید و ابزارهای پایه را نصب کنید:

apt update && apt upgrade -y
apt install curl wget ca-certificates gnupg -y

اگر Docker نصب نیست، از مخزن رسمی Docker نصب کنید. پس از نصب بررسی کنید:

systemctl status docker
docker --version

باید وضعیت active (running) را مشاهده کنید.

مرحله چهارم: ساخت مسیر ذخیره‌سازی دائمی

نکته حیاتی در Self-Hosting این است که اطلاعات برنامه را خارج از چرخه حذف و ساخت مجدد Container نگه دارید. یک مسیر دائمی بسازید:

mkdir -p /opt/anythingllm
cd /opt/anythingllm
touch .env
chown -R 1000:1000 /opt/anythingllm

⚠️ دستور chown بسیار مهم است. Container AnythingLLM با کاربر UID 1000 اجرا می‌شود و اگر مسیر ذخیره‌سازی متعلق به root باشد، با خطای unable to open database file مواجه می‌شوید [citation:5].

مرحله پنجم: اجرای AnythingLLM با Docker

Image رسمی را دریافت کنید و Container را با Volume دائمی اجرا کنید:

docker pull mintplexlabs/anythingllm:latest

export STORAGE_LOCATION="/opt/anythingllm" && \
mkdir -p $STORAGE_LOCATION && \
touch "$STORAGE_LOCATION/.env" && \
docker run -d \
  --name anythingllm \
  --restart always \
  -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" \
  mintplexlabs/anythingllm:latest

دستور cap-add SYS_ADMIN برای قابلیت Scraping وب‌سایت‌ها توسط PuppeteerJS ضروری است [citation:1].

مرحله ششم و هفتم: بررسی وضعیت و ورود به برنامه

docker ps
docker logs anythingllm
docker logs -f anythingllm

در حالت تست، از مرورگر وارد شوید:

http://SERVER_IP:3001

مرحله هشتم تا دهم: دامنه، Nginx و HTTPS

برای استفاده سازمانی، AnythingLLM را مستقیماً با IP و پورت خام در اینترنت قرار ندهید. ساختار پیشنهادی:

Internet
   │
   ▼
HTTPS (443)
   │
   ▼
Nginx / Reverse Proxy
   │
   ▼
AnythingLLM (127.0.0.1:3001)
   │
   ▼
Docker Container

Nginx را نصب کنید و فایل تنظیمات ایجاد کنید:

apt install nginx -y
nano /etc/nginx/sites-available/anythingllm

محتوا:

server {
    listen 80;
    server_name ai.example.com;

    location / {
        proxy_pass http://127.0.0.1:3001;
        proxy_http_version 1.1;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
        proxy_set_header X-Forwarded-Proto $scheme;
        proxy_set_header Upgrade $http_upgrade;
        proxy_set_header Connection "upgrade";
    }
}

تنظیمات را فعال و بررسی کنید:

ln -s /etc/nginx/sites-available/anythingllm /etc/nginx/sites-enabled/
nginx -t
systemctl reload nginx

برای HTTPS از Certbot استفاده کنید:

apt install certbot python3-certbot-nginx -y
certbot --nginx -d ai.example.com

اکنون از طریق https://ai.example.com وارد شوید.

مرحله یازدهم: انتخاب مدل زبانی (LLM)

دو معماری اصلی دارید:

روش اول: استفاده از API مدل‌های ابری

VPS → AnythingLLM → API Provider → LLM. مناسب برای سرورهایی که GPU ندارند [citation:16]. کافی است API Key از سرویسی مثل OpenAI دریافت کنید.

روش دوم: اجرای مدل محلی با Ollama

User → AnythingLLM → Ollama → Local LLM. در این حالت وابستگی به API خارجی ندارید، اما اجرای LLM محلی به RAM، CPU و به‌ویژه GPU زیادی نیاز دارد.

⚠️ اگر Ollama روی همان سرور اجرا شود، آدرس آن در AnythingLLM باید http://172.17.0.1:11434 باشد (آدرس Host از داخل Docker). استفاده از 127.0.0.1 داخل Container به خود Container اشاره می‌کند، نه سرور میزبان [citation:12].

مرحله دوازدهم و سیزدهم: Embedding و Vector Database

Embedding متن را به نمایش عددی تبدیل می‌کند تا سیستم بتواند شباهت معنایی بین سؤال و بخش‌های اسناد را پیدا کند. مثلاً «قوانین مرخصی» و «کارمندان سالانه ۳۰ روز مرخصی دارند» از نظر کلمات یکسان نیستند، اما Embedding ارتباط معنایی آن‌ها را کشف می‌کند.

ساختار پردازش اسناد:

PDF / Word / TXT
       │
       ▼
Text Extraction
       │
       ▼
Chunking
       │
       ▼
Embedding
       │
       ▼
Vector Database (LanceDB)

AnythingLLM در حالت Docker به‌طور پیش‌فرض از LanceDB به‌عنوان Vector Database داخلی استفاده می‌کند که برای شروع کاملاً کافی است [citation:4].

مرحله چهاردهم تا شانزدهم: ساخت Workspace، آپلود اسناد و پرسش

پس از ورود به AnythingLLM، یک Workspace جدید بسازید. مثلاً «پشتیبانی شرکت» یا «قوانین منابع انسانی». Workspace را مانند یک محیط مستقل برای یک موضوع یا مجموعه اسناد در نظر بگیرید.

برای یک سازمان می‌توانید Workspaceهای زیر را بسازید:

اسناد خود را آپلود کنید. پس از پردازش، سؤالات زیر را امتحان کنید:

طبق آیین‌نامه شرکت، تعداد روزهای مرخصی کارکنان چقدر است؟
شرایط بازگشت کالا طبق مستندات شرکت چیست؟
در قرارداد مشتریان، بند مربوط به فسخ قرارداد کدام است؟

آیا AnythingLLM خودش یک مدل هوش مصنوعی است؟

این نکته بسیار مهم است: AnythingLLM را نباید به‌عنوان یک LLM مستقل در نظر گرفت. AnythingLLM یک پلتفرم مدیریتی برای LLM، Embedding، Vector Database و اسناد است [citation:16].

AnythingLLM
     │
     ├── LLM Provider (Cloud API or Ollama)
     │
     ├── Embedding Model
     │
     ├── Vector Database (LanceDB)
     │
     └── Documents (PDF, Word, TXT)

بنابراین باید برای تولید پاسخ و Embedding، Provider مناسب انتخاب کنید. این می‌تواند یک API ابری یا یک مدل محلی باشد [citation:16].

آیا اسناد فارسی پشتیبانی می‌شود؟

بله، اما کیفیت نهایی به عوامل زیر بستگی دارد:

⚠️ مشکل PDFهای اسکن‌شده: اگر PDF شما فقط عکس صفحه است و متن واقعی ندارد، جست‌وجوی عادی کار نمی‌کند. باید ابتدا با OCR متن را استخراج کنید:

Scanned PDF
     │
     ▼
OCR (Tesseract or similar)
     │
     ▼
Extracted Text
     │
     ▼
Chunking → Embedding → RAG

تنظیم Prompt برای دستیار سازمانی

یکی از کارهای مفید، تعریف دستورالعمل مشخص برای دستیار است. در تنظیمات Workspace، Prompt سفارشی زیر را وارد کنید:

You are an internal company assistant.

Answer questions ONLY based on the provided document context.

If the answer is not found in the documents, explicitly state:
"I could not find sufficient information in the company documents."

Do not fabricate information. Always cite the source document name when possible.

این دستورالعمل رفتار دستیار را برای کاربرد سازمانی قابل‌کنترل‌تر می‌کند.

مدیریت دسترسی کاربران در محیط سازمانی

اگر AnythingLLM برای چند کارمند استفاده می‌شود، نباید فرض کنید همه به تمام اسناد دسترسی داشته باشند. ساختار دسترسی پیشنهادی:

HR Manager         → HR Documents Workspace
Sales Expert       → Sales Documents Workspace
Technical Support  → Technical Documents Workspace
Finance Team       → Financial Documents Workspace

قبل از قرار دادن اطلاعات حساس، مدل دسترسی و Permissionها را به‌دقت بررسی و آزمایش کنید.

امنیت AnythingLLM روی سرور مجازی

قرار دادن یک سرویس AI روی اینترنت بدون توجه به امنیت خطرناک است. نکات کلیدی:

حل مشکلات رایج AnythingLLM

چه فایل‌هایی برای Knowledge Base مناسب هستند؟

AnythingLLM برای انواع محتوای سازمانی قابل استفاده است:

آیا VPS بدون GPU کافی است؟

برای اجرای خود AnythingLLM، GPU الزاماً ضروری نیست [citation:16]. اما اگر قصد اجرای مدل زبانی بزرگ به‌صورت Local دارید، موضوع کاملاً متفاوت است:

AnythingLLM + Cloud API  →  VPS with 2-4GB RAM is enough
AnythingLLM + Ollama    →  VPS with 16GB+ RAM and GPU preferred

بنابراین بین «اجرای AnythingLLM» و «اجرای مدل هوش مصنوعی روی همان سرور» تفاوت قائل شوید.

جمع‌بندی: دستیار هوش مصنوعی خصوصی برای سازمان شما