如何使用 DeepSeek-R1、LangChain 和 Ollama 构建隐私优先的 RAG

在本指南中，您将学习如何构建一个 检索增强生成 (RAG) 系统，该系统使用 DeepSeek-R1、LangChain、Ollama 和 Streamlit 在本地处理 PDF 文件。这个逐步教程结合了 LangChain 的模块化能力和 DeepSeek-R1 的隐私优先方法，提供了一个强大的解决方案，用于处理技术、法律和学术文档。

在这里插入图片描述

该项目将 LangChain（一个用于 RAG 工作流的 AI 框架）与 Ollama（用于 DeepSeek-r1 本地部署）和 Streamlit（用于用户界面）结合在一起。最终结果是一个能够 本地摄取 PDF 并 快速准确回答问题 的 AI 助手。

在本演示中，我们将使用一个 7B 参数的 DeepSeek-r1 精简模型，但如果您拥有更强大的计算能力，我建议使用其他 DeepSeek-r1 精简模型。

为什么选择私人RAG解决方案？

基于云的AI解决方案功能强大，但通常面临诸如隐私风险和重复成本等挑战。通过利用LangChain的模块化框架，您可以创建一个具有众多优势的本地RAG解决方案：

• 数据隐私：所有操作都在本地进行，您的数据永远不会离开您的机器。
• 成本效率：无需昂贵的API订阅，此解决方案是免费的和开源的。
• 可定制性：LangChain的灵活性使您能够微调文档检索和响应生成管道。
• 强大的AI：与DeepSeek-R1集成，这是一个优化用于解决问题和技术任务的推理模型。

工具和技术：LangChain、DeepSeek-R1、Ollama、ChromaDB 和 Streamlit

该项目由以下部分组成：

• LangChain：RAG 流水线的核心框架，支持文档加载器、向量存储和 LLM 的集成。它允许根据您的特定需求定制模块化和可扩展的 AI 工作流程。
• DeepSeek-R1：一种用于编码、解决问题和技术任务的推理 LLM。提供多种精简版本以便与 Ollama 进行本地部署。
• Ollama：一个命令行工具，简化本地 LLM 和嵌入模型（如 DeepSeek-R1 和 mxbai-embed-large）的部署和管理。
• ChromaDB：一个向量数据库，用于存储和检索文档嵌入，以便进行基于相似性的查询。
• Streamlit：一个用于构建网页界面的 Python 库，使您的 RAG 应用程序用户友好且易于访问。

在这里插入图片描述

构建 RAG 流水线：逐步指南

以下是如何设置本地 ChatPDF 解决方案的步骤：

1. 安装先决条件

确保您已安装 Python 3.8+ 和 Ollama。运行以下命令：

curl -fsSL https://ollama.com/install.sh | sh
ollama -v  # 验证安装

下载所需的 AI 模型：

ollama pull deepseek-r1:latest # 默认 7B 模型
ollama pull mxbai-embed-large  # 嵌入模型

2. 设置项目

克隆仓库并设置虚拟环境：

git clone https://github.com/paquino11/chatpdf-rag-deepseek-r1.git
cd chatpdf-rag-deepseek-r1
python3 -m venv venv
source venv/bin/activate

安装依赖：

pip install -r requirements.txt

3. 运行应用程序

启动 Streamlit 应用程序：

streamlit run app.py

在浏览器中访问应用程序，地址为 http://localhost:8501。上传您的 PDF 文件，调整检索设置并开始提问。

使用 DeepSeek-R1、Ollama、LangChain 和 ChromaDB 构建 RAG 管道

该项目使用 LangChain 管理整个 RAG 工作流：

\1. 使用 LangChain 进行 PDF 导入：

• 使用 LangChain 的 PyPDFLoader 和 RecursiveCharacterTextSplitter 读取并拆分 PDF 文件。
• 将块嵌入为向量表示，使用 OllamaEmbeddings。

2. 使用 ChromaDB 进行文档检索：

• LangChain 与 ChromaDB 的集成实现了快速的基于相似度的相关文档块检索。
• 自定义结果数量 (k) 和相似度阈值 (score_threshold)，以更好地控制。

3. 使用 DeepSeek-R1 生成响应：

• 检索到的文档块被传递给 DeepSeek-R1，生成简洁且准确的答案。
• LangChain 的 ChatPromptTemplate 确保 AI 以用户友好的格式进行响应。

自定义检索设置以获得最佳结果

LangChain 使调整检索设置以获得最佳性能变得简单：

k: 检索结果数量控制响应中使用的文档块数量。

• 更高的 k: 更多上下文，响应较慢。
• 更低的 k: 更少上下文，响应较快。

score_threshold: 相似度阈值根据相关性过滤检索结果。

• 更高的阈值: 仅检索高度相关的块。
• 更低的阈值: 更广泛的上下文但不够精确。

使用案例和测试您的 RAG 应用程序

以下是一些测试应用程序的示例：

测试PDF：

• 金融：分析财务报告并提取可行的见解。
• 医疗：总结研究论文或医疗指南。
• 教育：从电子书和学术论文中提取摘要或关键点。

示例问题：

• “这个 Python 库的关键特性是什么？”
• “本合同的第 5 节讨论了什么？”
• “总结一下这本电子书的第二章。”

结论

通过结合 LangChain、DeepSeek-R1 和 ChromaDB，您可以创建一个优先考虑隐私、灵活性和成本效率的 RAG 系统。这个本地 RAG 解决方案非常适合分析技术文档、法律文本等，而无需依赖基于云的工具。

DeepSeek无疑是2025开年AI圈的一匹黑马，在一众AI大模型中，DeepSeek以低价高性能的优势脱颖而出。DeepSeek的上线实现了AI界的又一大突破，各大科技巨头都火速出手，争先抢占DeepSeek大模型的流量风口。

DeepSeek的爆火，远不止于此。它是一场属于每个人的科技革命，一次打破界限的机会，一次让普通人也能逆袭契机。

DeepSeek的优点

read-normal-img

掌握DeepSeek对于转行大模型领域的人来说是一个很大的优势，目前懂得大模型技术方面的人才很稀缺，而DeepSeek就是一个突破口。现在越来越多的人才都想往大模型方向转行，对于想要转行创业，提升自我的人来说是一个不可多得的机会。

那么应该如何学习大模型

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。

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！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

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。

read-normal-img

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；

• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；

• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；

• 更优质的项目可以为未来创新创业提供基石。

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。为了让大家少走弯路，少碰壁，这里我直接把都打包整理好，希望能够真正帮助到大家。

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】

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

read-normal-img

第一阶段：从大模型系统设计入手，讲解大模型的主要方法；

第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈
光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

read-normal-img