DeepSeek + RAG 本地知识库搭建实战

问题1：在企业生产环境为什么不直接使用通用基础大模型？

不专业：模型自身的知识完全源于它的训练数据（网络公开数据），实时性的、非公开的或离线的数据是无法获取到的

乱回答：AI模型的底层原理基于数学概率，当自身不具备某一方面的知识或不擅长的场景时，会一本正经地胡说八道

不专业：需要将企业自身的私域数据上传第三方平台进行训练，会有数据泄露的风险

问题2：什么是RAG？

RAG 检索增强生成（Retrieval Augmented Generation），融合了检索与生成两类模型的优势，最初源于2020年Meta（Facebook）的一篇论文——《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》。解决一个问题：如何让大语言模型使用外部数据进行生成

RAG是一种将大规模语言模型（LLM）与外部知识源的检索相结合，以改进问答能力的工程框架。

场景1：

大型语言模型（LLM）的训练依赖于网络上海量公开的静态数据，而某些特定领域（如企业内部资料、专有技术文档等）的数据通常不会作为公开的训练数据，导致模型在面对这些领域的查询时，可能因缺乏足够的信息而生成不准确甚至虚构的回复。

解决方案：

为了解决这一问题，RAG技术通过引入向量数据库（Vector Database）作为外部知识源，将模型缺失的知识以结构化的形式提供。

场景2：

随着 LLM 规模扩大，训练成本与周期相应增加。因此，包含最新信息的数据难以融入模型训练过程，无法及时反映最新的信息或动态变化。导致 LLM 在应对诸如“请推荐当前热门影片”等时间敏感性问题。

解决方案：提供联网搜索功能。

举例：

LLM在考试的时候面对陌生的领域，答复能力有限，然后就准备放飞自我了，而此时RAG给了一些提示和思路，让LLM懂了开始往这个提示的方向做，最终考试的正确率从60%到了90%！

问题3：哪些人需要搭建个人知识库？

小型企业主或创业者：查阅和分享文件、文档、客户反馈、市场分析，大大提升你的工作效率。

职场打工人或自由职业者：无论是写作、设计、开发，还是视频制作，知识库都可以管理大量的素材、创意和客户需求，通过知识库，你可以轻松存储和搜索这些资料，并通过大模型二次创作

教育工作者或学生：利用知识库管理教学资源、课程安排、教材资料等，学生则可以将课堂笔记、参考书目和作业整理在一起，随时复习和备考。

生活中的普通人：无论是旅行计划、兴趣爱好，还是学习笔记，全部都可以集中在知识库管理。

往期精彩

面试提问：数仓设计不分层可以吗？

DeepSeek在医学领域的应用场景

DeepSeek大模型在政务服务领域的应用

从O(n²)到O(n)：基于累计求和模型的线性递归模式优化与多场景实战

华中科技大学-从DeepSeek到Manus AI如何重塑企业价值【文末附下载链接】

基于增量滚动计算策略的数仓累计计算指标的优化实战

PPT下载链接：

https://download.csdn.net/download/godlovedaniel/90479553