保姆级教学 | DeepSeek R1本地知识库问答快速实战

DeepSeek作为国产大模型之光，惊人的语言理解和生成能力让人纷纷表示“离不开了”如何将这个强大的模型与我们的私有知识库结合，打造出既智能又专属的问答系统？

本篇内容将以DeepSeek R1蒸馏模型，结合Windows系统为展示案例，帮助0基础的小伙伴打造自己的第一个私有知识库问答系统。

一、Ollama+DeepSeek R1本地部署

●模型选择与硬件配置说明

为了照顾0基础用户，本节公开课以 Windows 系统为例进行演示， MacOS 、 Linux 系统实现方式也类似。

公开课重点介绍完全本地部署实现方案，并采用 DeepSeek R1 蒸馏模型进行演示，若硬件条件允许，也可考虑部署原版 DeepSeek R1 模型。

各模型运行所需显存如下：

而关于如何使用 DeepSeek R1 在线 API 实现相关功能，详见 Part 4 部分内容介绍。

●模型本地调度框架选取

同其他主流大模型对话 Web 框架类似， AnythingLLM 同时支持调用在线模型 API 、或本地模型进行推理。

并且 AnythingLLM 本身是一款集成度非常高的聊天框架，我们只需要借助可视化页面手动点击选择在线模型 API 或者本地推理框架即可。

例如一些主流 API 厂商：

或者一些主流的本地推理框架：

本节公开课我们将以 Ollama 为例进行演示。

Step 1.安装 ollama 

首先需要先安装 ollama 地址，下载地址：https : //ollama.com/ 

选择对应的操作系统进行安装即可：

Ollama 下载存在网络限制，对应 Windows 、 MacOS 软件安装包开在课件网盘中领取，公众号后台回复【777】即可领取详细资料。

下载后即可开始安装：

而当 Ollama 安装结束后，会自动在后台开启 Ollama 进程， Windows 系统下可以按住 Win+r 键，输入 cmd 开启命令行，并在命令行中查看 Ollama 运行情况：

例如，输入 tasklist |findstr ollama 查看 Ollama 进程是否存在

如此则说明 Ollama 已启动。

若未启动，可输入ollama start 启动 Ollama 。

Step 2.下载 DeepSeek R1 模型

接下来即可进一步下载 DeepSeek R1 模型了。

这里我们可以直接使用ollama pull 命令自动下载与注册，也可以手动下载模型的 GGUF 文件，然后手动完成 Ollama 模型注册，再进行调用。

也可以参考九天老师的另一个视频：《 DeepSeek R1 本地部署流程详解 》

https : //www.bilibili.com/video/BV19kFoe6Ef7/ 

从魔搭社区上手动下载模型 GGUF 权重，并完成 Ollama 注册与调用。

首先输入 Ollama list 查看当前模型列表：

然后回到 ollama deepseek r1 模型列表，查看模型组情况：

https : //ollama.com/librarv/deepseek-r1 

其中不同尺寸模型运行所需占用显存大小如上所示。

需要注意的是， ollama 只支持运行 Q4 K M 模型，相当于是 4bit 量化后的模型，因此每个模型运行所需占用显存并不大。

接下来使用如下命令下载模型，这里以 14b 模型为例，下载其他模型的话只需要修改模型名称即可。

例如修改为 deepseek-r1 : 7b ,则代表下载 7b 模型：

ollama pull deepseek-r1 : 14b

稍等片刻即可完成下载。下载完成后即可使用0llama list 命令查看当前模型是否完成下载与注册：

接下来即可调用 DeepSeek R1 Distill 14B 模型进行本地知识库问答了。

二、A n y t h i n g L L M 安装与使用

AnythingLLM 是一款集成度非常高、且功能非常稳定的大模型对话前端产品。

虽无法进行二次开发，但功能实现方面非常便捷，可以直接从 AnythingLLM 官网进行下载：https : //anvthingllm.com/ 

选择对应的操作系统版本下载安装即可开始安装：

安装完成后，会自动启动 AnythingLLM , 并进入设置页面

点击 Get started , 则进入到选择 LLM 页面：

这里我们选择借助 Ollama 来调用本地的 14B 模型。

需要注意的是， AnythingLLM 会自动检测 Ollama 进程是否存在 ( 也就是 Ollama 是否启动 )  以及现在 Ollama 中已经注册了哪些模型。

因此在进入到上面这个设置也面前，需要确保 Ollama 已经启动，并且已完成了相关模型注册。选择好 14B 模型之后即可点击进入下一步：

该页面是进行模型配置说明，当前的模型配置是：

●对话模型：负责完成对话任务，由 Ollama 调度 DeepSeek R1 Distill 14B 来完成对话；

● Embedding 模型：负责进行词向量化的模型，由 AnythingLLM 官方提供；

●词向量数据库：用于存储词向量化之后的对象，默认为 LancelotDB; 

对于任何一个本地知识库问答的过程，都需要经历文本切割、词向量化、词向量存储、词向量检索与问答几个基本环节，因此至少需要 Chat 模型、 Embedding 模型以及词向量数据库作为基础组件。对于 RAG 的基本原理回顾如下：

在浏览了当前模型配置后，接下来即将进入 AnythingLLM 注册页面，这里可以直接跳过：

然后需要创建一个 workspace , 相当于是 ChatGPT 或者其他开发项目的一个 Project , 用于对对话进行分类：

当我们进入到如下页面，则说明安装成功：

接下来即可尝试进行对话了。

AnythingLLM 对于 DeepSeek R1 系列模型的支持是非常友好的，甚至会区分思考过程和回答过程：

并且支持多轮对话：

三、借助 Anything LL M 进行本地知识库问答

AnythingLLM 是一款集成度非常高、且运行稳定的 RAG+ 前端对话框架，我们可以非常便捷的为每次对话设置知识库。主要方法有以下两种：

●在单次问答中设置背景文本

例如，我们可以直接在对话框下方点击回形针按钮，即可上传文本并进行对话，整个过程类似 ChatGPT 的功能实现：

注意，这里所谓上传文本，并不是把文本上传到远程服务器，而是将文本进行切分、 Embedding 后后上传到本地的 LanceDB 词向量数据库中。整个过程全部都在本地完成。

上传文本：

等待文本切分与词向量化过程

然后即可开始问答：

此时进行问答即会根据文档进行回答。

●统一知识库管理

此外，若想让整个文本长期存在于当前对话中，则需要借助 AnythingLLM 的知识库管理功能。

下面这个 icon 就是知识库管理图标  : 

点击后即可进入到如下页面：

这里我们额外上传一份 DeepSeek V3 技术报告，该报告的内容超出了当前模型只是范畴，适合进行本地文档问答测试：

上传后即可在当前文件夹中看到该文件，这里点击 Move to Workspace , 即可将其列举为备选问答文档：

当 Move to workspace 后，在右侧即可看到这篇文档，然后点击 Save and Embed , 即可开始进行文档切分和词向量化过程：

完成后，再点击图钉按钮，即可将这篇文档设置为当前对话的背景文档：

然后点击 got it 

然后即可提问：

能够看出，此时回答结果就会根据当前文档进行回答，细节丰满回答流畅。

而若不绑定知识库，则模型并不知道 DeepSeek V3 模型：

至此，即完成了 DeepSeek R1 Distill 14B 模型的本地知识库问答全流程。

四、 DeepSeek R1 API 接入 AnythingLLM 进行本地知识库问答

最后，让我们来看下如何借助 DeepSeek R1 API+AnythingLLM 来进行本地知识库问答。首先，新建一个工作区，并命名为 RAG Test2

然后点击设置按钮：

设置页面，我们可以灵活设置当前工作区域的名称 ( 或者删除工作区 ) 

或者修改默认模型，以及 system message  ( 系统默认提示 ) : 

以及进行词向量数据库设置等。

这里我们需要在聊天设置中修改模型为 DeepSeek R1 API , 先点击聊天设置，然后选择模型：

然后在模型提供商中选择 DeepSeek : 

然后在弹出的页面输入 API-KEY 

输入完 API-Key 后，即可选择对话模型。

deepseek-chat 就是 DeepSeek V3 , 而 deepseek-reasoner 则是 DeepSeek R1 。

这里我们选择 deepseek-reasoner : 

然后点击 Save , 即可返回设置页面：

然后翻到最下面点击 Update workspace , 即可完成设置：

然后点击左侧聊天栏，选择 default 会话即可开始聊天了：

 如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​