DeepSeek R1打造自己的知识库，越用越聪明的秘密！喂饭级教学，全程干货！

最新推荐文章于 2025-03-12 15:28:58 发布
最新推荐文章于 2025-03-12 15:28:58 发布
阅读量5.7k 收藏 54
点赞数 23
文章标签： 人工智能 语言模型 金融 大数据 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_59235945/article/details/145481021
版权

今天来讲讲，本地部署DeepSeek一个重要应用场景：搭建AI知识库。

知识库的好处

好处1：数据在本地电脑上，保护数据安全和个人隐私，对于企业来说尤为重要。

好处2：通用大模型（比如ChatGPT）缺少垂直领域的知识，每次前提问都需要提供背景信息，上传相关资料，才可以得到相对高质量回答。

而本地模型+知识库的模式，简单的提问就可以很容易得到垂直定制化，且精准的高质量回答。

好处3：使用时间越长，知识库越丰富，回答质量越高，形成正循环。

好处4：不需要联网，即使官方宕机甚至断网也能正常使用。

安装Dify

Dify是一个快速搭建AI应用的项目，支持创建AI聊天机器人、自动化客服等。

本篇主要讲解如何用Dify搭建私人化知识库。

本地找一个不含中文的目录，进入CMD窗口，执行命令，下载Dify项目。

git clone https://github.com/langgenius/dify``cd dify/docker``# .env.example复制，并重命名为 .env``copy .env.example .env

.env是dify的配置文件，保持默认配置就好了。

启动docker，执行命令运行dify。

docker compose up -d

项目启动以后，浏览器访问：http://127.0.0.1/apps/

首次进入需要设置管理员账号，并且登录进入系统。

Dify配置

分为2个步骤：添加模型和添加知识库。

页面右上角头像 -> 设置 -> 模型供应商，下拉找到Ollama，【添加模型】。

参数如下：

模型类型：LLM

模型名称：deepseek-r1:7b （根据电脑配置选择1.5b/7b/8b/32b等）

基础URL：http://host.docker.internal:11434

其他参数默认。

配置向量化模型【Nomic-Embed-Text】，它具备强大的长上下文处理能力。下载命令：

ollama pull nomic-embed-text

同样的方式，在Ollama下添加模型，参数如下：

模型类型：Text Embedding

模型名称：nomic-embed-text:latest

基础URL：http://host.docker.internal:11434

其他参数默认。

保存以后，即可完成2个模型的添加。

结果如下图：

配置2个大模型以后，开始配置【知识库】。

回到首页，切换到【知识库】菜单，创建知识库。

数据源有3种：导入已有文件、同步自Notion内容、同步自Web内容。

这次搭建的是本地离线知识库，选第1个，导入准备好的知识库材料，【下一步】。

检索设置选【混合检索】，其他参数不变，保存并处理。

稍等一会，知识库就设置完成了。

使用知识库

知识库建好了，怎么用呢？

回到首页，切换到【工作室】菜单，点击【创建空白应用】。

应用类型选【聊天助手】，应用名称和图标，根据自己需要填写。

点击【创建】，下方的上下文栏，就是设置知识库的地方。

点【添加】，在弹窗上，选择刚刚创建的知识库。

设置完成以后，就可以发布使用了。

右上角【发布】-> 【更新】-> 【运行】。

运行以后，页面自动跳转到对话页面，一个自带知识库的AI聊天助手就完成啦。

来测试下。

大模型有一个特点：没有自我意识，对自己不了解。

提一个问题：what is DeepSeek V3？

官方的回答就非常简单，而包含DeepSeek V3论文知识库的本地模型，它的回答就非常准确详细，即使这个问题很简单，不联网搜索。

效果立竿见影！

如何学习大模型 AI ？

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。

在这里插入图片描述

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】

在这里插入图片描述

【DeepSeek R1构建本地RAG知识库】Dify调优优化
少说，多做
02-27 1247
在AI技术快速迭代的当下，检索增强生成（RAG）已成为解决大模型幻觉、知识更新滞后等痛点的核心方案。DeepSeek R1作为国产高性能开源大模型，结合Dify这一低代码AI应用开发平台，能够快速搭建安全可控的本地化知识库系统。本文将从零开始，详解如何通过DeepSeek R1实现本地知识检索增强，并借助Dify的灵活配置完成Prompt工程优化、响应质量调优及系统性能提升。
开源大模型项目，助你效率提高 10 倍
2401_85375298的博客
10-23 1564
Flowise 是一款开源 UI 可视化工具，用于构建定制的 LLM 编排流程和 AI 代理。" )}
别只会用别人的模型了，自学Ai大模型，顺序千万不要搞反了！刚入门的小白必备！
2301_81888214的博客
02-13 732
别只会用别人的模型了，自学Ai大模型，顺序千万不要搞反了！刚入门的小白必备！
只需3步: 基于Deepseek开发个人知识库,YYDS
m0_61361390的博客
02-13 2006
基于deepseek 快速构建本地知识库
DeepSeek本地部署加私有化知识库训练
yd1472939313的博客
03-07 519
deepseek+anything 完成本地部署加知识库搭建
5 分钟用满血 DeepSeek R1 搭建个人 AI 知识库（含本地部署）
热门推荐
Jay的个人博客
02-04 5万+
备注：评论区回复“DeepSeek”，免费领取万字DeepSeek指南。看到这里，相信你已经找到最适合自己的 DeepSeek 个人知识库方案了。如果你和大多数人一样，选择使用官方 API ，那就不用再为性能和本地硬件资源发愁；如果你恰好有充足的算力和技术储备，本地部署也是个不错的选择。不过，在整个过程中，我想和你分享的不仅仅是这些技术细节。而是一个中国团队能做出世界级大模型，一个需要 +86 才能注册的大模型。很庆幸，我们能作为中国 AI 技术进步的见证人。当然，暂时的领先不是终点。
保姆级教程！6个步骤讲清楚用DeepSeek搭建本地知识库
m0_59235699的博客
02-05 3万+
本地部署的最大意义在于利用DeepSeek大模型的能力加上自己的知识库，可以训练出一个符合自己需求的大模型。想象下如果你是一个医生，有一堆科研资料。你想拥有一个大模型机器人，学习了你所有的资料。每当你想查科研资料找到答案的时候，自己问这个机器人就好了。省去了自己很多查找资料的时间这就是本地部署+知识库的作用。是DeepSeek官网不具备的。因为这是训练的你的私有资料。今天就来分享下这个搭建过程。用到的工具组合是Docker+Dify+DeepSeek。
公司数据不泄露，DeepSeek R1本地化部署+web端访问+个人知识库搭建与使用，喂饭级实操教程，老旧笔记本竟跑出企业级AI
m0_63171455的博客
01-31 3万+
目前Ollama支持macOS、Linux、Windows，选择相应的系统，macOS和Windows直接下载，Linux系统需要执行下面命令：荣姐这次选择Windows本地下载，直接安装即可。点击Models，第一条就是deepseek-r1模型。或者搜索框输入模型名称进行搜索。点击进去后，查看各个模型，不同模型执行的命令不同，最后部分看你选择的参数模型。7b命令：ollama run deepseek-r1:7b1.5b命令：ollama run deepseek-r1:1.5b。
本地Deepseek添加个人知识库(Page Assist/AnythingLLM)
jingzilideniu的博客
02-02 3万+
两种建立知识库，投喂Deepseek的方法 本地Deepseek在Page Assist建立知识库 本地Deepseek在Page Assist建立知识库
用DeepSeek搭建个人知识库，真香！（附完整教程）
python12222_的博客
02-15 2011
可能大家都想学习AI大模型技术，也想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。大模型岗位需求越来越大，但是相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。的爆火，远不止于此。
利用DeepSeek-R1构建简单的本地知识库.pdf
02-17
Ollama是用于下载和管理模型的工具，DeepSeek-R1是本次要使用的大型语言模型，Nomic-Embed-Text向量模型用于将文本库进行切分、编码、转换进入向量库，AnythingLLM是一个开源AI私有化应用构建平台，可以快速运行本地...
人工智能基于DeepSeek R1的个人知识库搭建指南：API与本地部署方案详解及应用效果分析
最新发布
04-16
内容概要：本文详细介绍了两种方式利用DeepSeek R1构建个人AI知识库的方法，一种是通过官方提供的满血版API，另一种则是本地部署的方式。对于大多数非专业用户或没有保密需求的人来说，官方API是更好的选择，因为它...
DeepSeek R1 本地部署及搭建本地知识库完整教程.docx
02-09
DeepSeek R1是一款热门的大语言模型工具，该教程详细指导用户如何进行本地部署以及搭建本地知识库。整个教程分为四个主要步骤，分别是安装Ollama、安装Deep Seek -r1模型、安装界面化工具Cherry-Studio和搭建本地...
突破算力天花板！Cherry Studio + DeepSeek R1 打造企业级智能知识中枢全攻略
lgf228的专栏
02-25 1370
本文系统解析如何通过Cherry Studio构建高性能本地知识库，实现DeepSeek R1大模型在有限硬件条件下的能力跃迁。从知识图谱构建、模型微调优化到RAG增强架构设计，完整呈现知识工程全流程方法论，提供可落地的性能调优方案与故障排查指南。通过本方案，企业可在常规服务器上实现专业领域问答准确率提升63%，响应速度突破200 tokens/s，综合推理成本降低80%。关键词：Cherry Studio、DeepSeek R1、本地知识库、RAG增强、模型优化。
deepseek-r1本地部署和企业知识库搭建
weixin_51020083的博客
02-08 5966
deepseek-r1本地部署以及知识库搭建
【实战篇】手把手教你用DeepSeek搭建企业级知识库（万字保姆级教程）
再见孙悟空的专栏
02-15 2172
各位技术老铁们，不知道你们有没有遇到过这样的场景：新人入职三个月还在问基础问题，客户咨询等了半小时才拿到答复，明明公司文档库里就有答案，但就是没人找得到。现在我要告诉你们一个真实数据：根据Forrester调研，企业员工平均每周要花8小时找资料，相当于每年浪费整整1个月的工作时间！这就是为什么最近两年知识库系统突然爆火的原因。而今天要介绍的DeepSeek，可不是普通的文档管理系统——它能实现智能问答、自动关联、语义搜索等黑科技。
DeepSeek+本地知识库：真的太香了
一个喜欢诗和远方的程序媛
03-12 1868
两种主流的搭建方案，保姆级教程，分别是基于 Cherry Studio 和基于 AnythingLLM 的搭建方法。
DeepSeek实用小技巧--基于DeepSeek打造私有知识库
qq_43588309的博客
02-09 4236
基于deepseek打造私有知识库，实现智能问答操作
deepseek r1打造本地化rag知识库
02-03
### 使用 DeepSeek R1 构建本地化 RAG 知识库 #### 准备工作环境 为了构建基于 DeepSeek R1 的本地化 RAG 系统，需先安装必要的软件包并配置开发环境。推荐使用 Python 虚拟环境来管理依赖项。 ```bash python3 -m venv rag_env source rag_env/bin/activate pip install deepseek-r1 langchain streamlit ``` #### 数据准备与预处理 创建一个结构化的数据集作为知识源，可以是 JSON 文件或其他易于解析的形式。对于每条记录，应至少包含唯一标识符、正文内容以及任何有助于后续检索的相关元数据字段。 ```json [ {"id": "doc_001", "content": "这是第一条文档的内容...", "metadata": {...}}, {"id": "doc_002", "content": "第二条文档的信息在这里.", "metadata": {...}} ] ``` #### 初始化索引数据库 利用 LangChain 或其他相似框架建立向量存储层，以便于之后进行高效的语义匹配查询操作。 ```python from langchain.indexes import VectorStoreIndexWrapper, Chroma documents = [...] # 加载之前准备的数据列表 vector_store = Chroma.from_documents(documents=documents) index_wrapper = VectorStoreIndexWrapper(store=vector_store) ``` #### 配置 DeepSeek R1 模型实例 加载预先训练好的 DeepSeek R1 模型，并设置好运行参数以优化性能表现。 ```python import torch from transformers import AutoModelForSeq2SeqLM, AutoTokenizer device = 'cuda' if torch.cuda.is_available() else 'cpu' model_name_or_path = "path/to/deepseek-r1" tokenizer = AutoTokenizer.from_pretrained(model_name_or_path) model = AutoModelForSeq2SeqLM.from_pretrained(model_name_or_path).to(device) ``` #### 实现核心逻辑函数 编写用于接收用户输入、调用检索服务获取最相关的上下文片段、再经由生成模型合成最终回复的核心业务流程方法。 ```python def generate_response(query_string): retrieved_docs = index_wrapper.similarity_search(query=query_string)[:5] # 获取前五名相关度最高的文档 context_texts = "\n".join([d.page_content for d in retrieved_docs]) inputs = tokenizer(f"{query_string} [SEP] {context_texts}", return_tensors="pt").input_ids.to(device) outputs = model.generate(inputs) response_text = tokenizer.decode(outputs[0], skip_special_tokens=True) return response_text ``` #### 打造交互界面 最后一步就是设计图形用户接口 (GUI)，让用户可以通过 Web 浏览器方便地访问这套系统所提供的问答能力。Streamlit 提供了一个简单易用的方式来部署此类应用程序。 ```python import streamlit as st st.title('DeepSeek R1 Localized Knowledge Base') user_input = st.text_area("Ask anything:") if user_input: answer = generate_response(user_input) st.write(answer) ``` 通过上述步骤，已经完成了一个完整的基于 DeepSeek R1 的本地化 RAG 知识库解决方案的设计[^2]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值