基于DeepSeek手搓一个Rag知识库（手把手，个人电脑也能玩哦）

目录

• 背景

• Rag核心原理介绍

• Rag环境搭建（含大模型DeepSeek部署）

• Rag系统代码实现

• 总结

背景

    当下数字化浪潮席卷全球，数据呈爆炸式增长，计算能力指数级提升，算法持续创新突破，三者共同构筑起人工智能发展的坚实底座。高性能芯片赋予机器强大算力，深度学习等算法让模型能挖掘数据深层价值，推动人工智能从理论迈向广泛应用。但从技术角度看，人工智能最容易落地的场景如下：

• RAG知识库（Retrieval-Augmented Generation）
  RAG通过“检索+生成”结合的”外挂“，将外部知识库与大语言模型（LLM）深度融合。其核心逻辑是用户提问时，系统先从知识库中检索相关内容，检索出内容进行算法排序，再结合这些检索结果利用大模型LLM总结、归纳和润色等生成人类可理解的自然语来回答，减少了传统模型“幻觉”与知识时效性问题。

• AI Agent（智能体）
  AI Agent是具备环境感知、自主决策与执行能力的智能实体，能够通过工具调用、多轮对话等实现复杂任务闭环，如智能机器人。其本质是“大模型+工具+记忆”的协同系统。

• 生成式BI（Generative Business Intelligence）

  生成式BI通过自然语言交互，理解业务需求，转为SQL或处理程序提取、加工数据，并将数据转化为可视化报告与决策建议，降低数据使用门槛。其核心价值在于“平民化数据分析”，让非技术人员也能通过对话获取洞见，同时也可为业务查找数据、认识数据提供很大帮助，但这数据准确度上需要做出很多数据语料、提示工程、微调等工作。

• 数字人技术

  通过3D建模、语音合成与动作捕捉，打造高度拟人化的虚拟形象，实现多模态交互，即通过文字识、图像识别或语音识别转换为自然语言，传递给大模型LLM，大模型生成的文字转化语音、手势动作等进行交互，如直播带货，节目播音、教育陪练（英语口语练习）

• 汽车智能座舱

  通过大模型与多模态交互（语音、文本、图像多种形态交互），重构人车关系。情感化交互、多轮对话、车内外感知、智能驾驶等

• 协同办公自动化

  通过AI赋能会议、文档与项目管理，提升协作效率。文档生成、流程自动化、代码编写、内容生成、音频、视频、图片生成等等

以上等等应用在各个行业各个领域创新应用遍地开花，层出不穷，可谓百花齐放，但笔者这里先从Rag系统介绍开始。

RAG知识库介绍

RAG（Retrieval-Augmented Generation，检索增强生成）是一种将传统信息检索统与大语言模型相结合的技术架构。它先从大量的外部知识中将有用的信息提取出来，再将这些信息输入大语言模型整理成清晰自然的回答，用户提问时，系统先从知识库中检索相关内容，检索出内容进行算法排序，再结合这些检索结果利用大模型LLM总结、归纳和润色等生成人类可理解的自然语来回答，其核心逻辑和技术实现如下：

Rag系统核心原理简单可以理解三部分：

• 数据准备：支持多格式文档（PDF、Word、网页等）的解析与分段处理，使用BERT、Sentence-BERT等生成嵌入模型将文档转换为向量，确保语义完整性，存储于向量数据库（如Milvus、Pinecone、chroma，目前国产数据库也有向量数据库）

• 数据检索：为了快速的在向量数据库中找到与问题相关的文本块，用户输入的问题也需要经过生成嵌入模型（这里必须使用与文本块转换相同的生成嵌入模型）转化为嵌入向量，在检索时，从而可与向量库中的向量相互匹配（计算余弦相似度），返回Top-K相关文档。

• LLM生成环节：生成模块基于检索内容生成答案，并通过重排序（Rerank）机制优化结果相关性。将检索结果与用户问题拼接为增强提示词（Prompt），输入LLM生成最终答案。

目前Rag系统在多个领域中得到了广泛应用，并且取得了显著的效果提升，但其有优缺点：

• 优点：可动态接入最新数据，避免模型知识过期；可解释性答案附带引用来源，提升可信度；成本效益，减少对模型参数量的依赖，降低训练与推理成本。

• 缺点：需优化向量模型与检索算法，避免“答非所问”；需定期更新数据源，处理格式多样性与冗余信息；延迟问题，检索环节增加响应时间，需通过缓存、异步处理优化。

LLM环境搭建

普通PC也可搭建基于Langchain开发框架+Ollama部署模型工具+Chroma向量数据库+DeepSeek R1构建的Rag系统，环境搭建可分为五个步骤：

1 Pycharm开发环境准备

  Pycharm安装后，需要配置conda环境，File->settings->项目下Python Interpreter配置add interpreter

配置conda Enviroment，配置conda Executable 并选择Use existing environment的conda的虚拟环境

2 Conda虚拟环境搭建

     Conda是一个开源的软件包管理系统和环境管理系统，它被设计用于在多版本环境中管理软件包及其依赖关系。Conda主要用于Python环境，但也支持其他语言和平台。Conda可以在Linux、OS X和Windows等操作系统上运行。

使用Conda的几大好处：

• 版本控制：Conda允许用户在同一台机器上安装和管理多个Python版本，以及特定版本的软件包和依赖关系。这对于开发和测试特别有用，因为你可以轻松地在不同的环境中切换。

• 包管理：Conda提供了一个丰富的软件包库，用户可以轻松地安装、更新和卸载各种Python包。

• 环境管理：Conda允许用户创建独立的环境，每个环境可以有自己的依赖关系和Python版本。这有助于隔离项目，防止不同项目之间的冲突。

下面是一些常见的Conda命令：

conda list：列出当前conda环境中已安装的软件包。conda create：创建一个新的conda环境。例如，conda create -n llmenv python=3.11将创建一个名为llmenv 的新环境，并安装Python 3.11版本。conda activate：激活一个已存在的conda环境。例如，conda activate llmenv将激活名llmenv的环境。conda deactivate：停用一个已存在的conda环境。conda install：在当前的conda环境中安装一个或多个软件包。例如，conda install numpy将安装numpy包。conda update：更新当前conda环境中的软件包到最新版本。例如，conda update numpy将更新numpy包到最新版本。conda remove：从当前的conda环境中移除一个软件包。例如，conda remove numpy将移除numpy包。conda search：搜索可用的软件包。例如，conda search numpy将列出所有可用的numpy包版本。

笔者搭建conda环境使用的命令​​​​​​​

1 创建conda环境conda create -n llmenv python=3.112 激活环境 conda activate llmenv3 关闭环境conda deactivate

3 在上述安装的Conda环境上安装Langchain、Chroma、Pytorch等包

  其他还有各种包准备：chromadb、bs4、langchain_community、langchain_chroma、langchain_ollama、langchain_text_splitters​​​​​​​

pip install langchain  #安装过程中可能会报错，包依赖的问题直接安装相应的包后，继续安装即可pip install chromadbpip install pytorch::python torchvision torchaudio -c pytorch...以上需要什可以使用pip install命令进行安装    

4 启动向量数据库chromadb

  在conda PowerShell Prompt窗口运行，启动chromadb向量数据库

chroma run

http://localhost:8000

远程可以连接地址和端口，python代码中可创建创建远程客户端Client

5 安装Ollama

    Ollama是一个专为在本地环境中运行和定制大型语言模型而设计的工具。它提供了一个简单而高效的接口，用于创建、运行和管理这些模型，同时还提供了一个丰富的预构建模型库，可以轻松集成到各种应用程序中。Ollama的目标是使大型语言模型的部署和交互变得简单，无论是对于开发者还是对于终端用户，在官方网页：https://ollama.com/download/windows上，注册下载安装即可。

ollama可以搜索可下载的全球预训练模型如DeepSeek、阿里通义等​​​​​​​

https://ollama.com/search#ollama run qwen2.5

笔者下载的是deepSeek R1模型：

ollama run deepseek-r1

第一次运行模型，会下载到ollama环境后并运行，运行后可直接进行对话，如“今天是周几”。如果在下载过程需要其他库，直接命令下载即可（这里还要下载，如nomic-embed-text）。

Rag系统代码实现

这里使用的Langchain开发框架，向量数据库使用的Chroma、大模型用的是DeekSeek-R1（推理更优），做出一个简单代码实现。

整体代码说明：把网页上

https://lilianweng.github.io/posts/2023-06-23-agent/

使用切词模型加载到向量数据库chroma内，提交给向量数据库进行相似度匹配，一般使用欧氏距离（或相似性余弦、或皮尔森相关系数），对搜索出的多条相似内容，按照相似度进行排名，再封装进prompt给大模型，LLM再对以上多条内容归纳总结生成出回答。​​​​​​​

import osos.environ['USER_AGENT'] = \                 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'import chromadb from langchain_ollama import OllamaLLMimport bs4from langchain_community.document_loaders import WebBaseLoaderfrom langchain_text_splitters import RecursiveCharacterTextSplitter #文本分割from langchain_ollama import OllamaEmbeddingsfrom langchain_core.prompts import PromptTemplatefrom langchain.chains import RetrievalQAfrom langchain_chroma import Chroma   # 这里需要导入包 pip install langchain_chroma
def lang_rag():    # 1. 初始化llm, 让其流式输出      llm = OllamaLLM(model="deepseek-r1",                                   temperature=0.1,                                   top_p=0.4,                                   # callback_manager=CallbackManager([StreamingStdOutCallbackHandler()])                 )      loader = WebBaseLoader(web_paths=("https://lilianweng.github.io/posts/2023-06-23-agent/",),                                 bs_kwargs=dict(                           parse_only=bs4.SoupStrainer(                             class_=("post-content", "post-title", "post-header")                                          )                                   ),                              )       docs = loader.load()   #上述文档加载，   text_splitter= RecursiveCharacterTextSplitter(                 chunk_size=1000, chunk_overlap=200) #配置切词参数      splits = text_splitter.split_documents(docs) #进行切词      vectorstore = Chroma.from_documents(#加载到向量数据库chroma内                       documents=splits,                        embedding=OllamaEmbeddings(                           model="nomic-embed-text"),                            collection_name='ddd')    # 提示词模板     prompt = PromptTemplate(       input_variables=['context', 'question'],        template=        """You are an assistant for question-answering tasks.         Use the following pieces of retrieved context to answer the question.         you don't know the answer, just say you don't know without any explanation         Question: {question} Context: {context} Answer:""",   )       print('提示词模板创建')       # 向量数据库检索器       retriever = vectorstore.as_retriever()       print('向量数据库检索器')       qa_chain = RetrievalQA.from_chain_type(              llm,               retriever=retriever,                      chain_type_kwargs={"prompt": prompt}                                              )    # what is Composition API？      question = "what is Ai agent?"      result = qa_chain.invoke({"query": question})      print("question1:")      print(result)      question2 = "what is react?"      result = qa_chain.invoke({"query": question2})      print("question2:")      print(result)    
  question3 = "什么智能体?，用中文回答"      result = qa_chain.invoke({"query": question3})      print("question3:")      print(result)
if __name__ == '__main__':     lang_rag()

上述代码粘贴可运行，前提是前面的环境搭建好，包安装好。

总结

        纵观历史，每个伟大时代产生以新技术新工具出现和使用而应运而生，如三次工业革命重塑了人类文明进程。第一次工业革命以蒸汽机为标志，加速了城市化与世界市场形成深刻改变了社会结构，推动机器生产取代手工劳动，同时也创造机器生产和使用新的工作岗位。第二次工业革命以电力和内燃机为核心，人类进入“电气时代”，在取代马车交通工具等也产生汽车、火车和飞机新的交通工具等，同时也创造新工作岗位。第三次工业革命以电子计算机、原子能等为标志，推动人类进入信息时代，使人类社会从工业社会向信息社会跃迁，生产力与生活方式发生革命性变革。亦是如此，旧事物被新事物时同样会创造新的工作岗位，需要适应新事物、接受新事物、与新事物为伍。以人工智能为标志，第四次智能时代已来，机械任务自动化、创意工作增效，生活里服务智能化、信息茧房破壁、人机交互拟真化渗透人们工作和生活的日常。为此人们担忧人工智能替代很多人的工作，但这是历史车轮滚滚向前无法阻挡，唯有拥抱变化，拥抱AI，以AI为伍，跟上时代步伐与其同伴前行.......

 一、大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

二、如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

 

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

*   大模型 AI 能干什么？
*   大模型是怎样获得「智能」的？
*   用好 AI 的核心心法
*   大模型应用业务架构
*   大模型应用技术架构
*   代码示例：向 GPT-3.5 灌入新知识
*   提示工程的意义和核心思想
*   Prompt 典型构成
*   指令调优方法论
*   思维链和思维树
*   Prompt 攻击和防范
*   …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

*   为什么要做 RAG
*   搭建一个简单的 ChatPDF
*   检索的基础概念
*   什么是向量表示（Embeddings）
*   向量数据库与向量检索
*   基于向量检索的 RAG
*   搭建 RAG 系统的扩展知识
*   混合检索与 RAG-Fusion 简介
*   向量模型本地部署
*   …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

*   为什么要做 RAG
*   什么是模型
*   什么是模型训练
*   求解器 & 损失函数简介
*   小实验2：手写一个简单的神经网络并训练它
*   什么是训练/预训练/微调/轻量化微调
*   Transformer结构简介
*   轻量化微调
*   实验数据集的构建
*   …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

*   硬件选型
*   带你了解全球大模型
*   使用国产大模型服务
*   搭建 OpenAI 代理
*   热身：基于阿里云 PAI 部署 Stable Diffusion
*   在本地计算机运行大模型
*   大模型的私有化部署
*   基于 vLLM 部署大模型
*   案例：如何优雅地在阿里云私有部署开源大模型
*   部署一套开源 LLM 项目
*   内容安全
*   互联网信息服务算法备案
*   …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】