基于DeepSeek，构建个人本地RAG知识库
经过一段使用DeepSeek后，感觉使用体验和ChatGPT基本差不多，回答问题的质量略有提升，因DeepSeek已开源，它的模型、模型参数权重从网上都可以下载到，所以可以基于开源的模型，在本地构建一个自己的知识库，小编这里使用的是蒸馏后的模型参数权重 deepseek-r1:1.5b
RAG （Retrieval-Augmented Generation）检索增强生成，是一种通过整合外部知识库来增强大模型（LLM）回答问题质量的模式。最简单的理解，可以认为是给大模型外挂了一个知识库
很多大模型的问题，多数是由于数据缺失造成的，企业中解决这类数据确实的问题，通常的方案是采取企业向量知识库的方式，在应用Prompt的时候，先从企业知识库中检索与Prompt关联的知识，然后把领域知识和原始Prompt整合在一起，最后作为大模型的输入
这样大模型就了解了领域专业知识，也能更好的回答问题
最近春招和实习已开启了。
不同以往的是，当前职场环境已不再是那个双向奔赴时代了。求职者在变多，HC 在变少，岗位要求还更高了。
最近，我们又陆续整理了很多大厂的面试题，帮助一些球友解惑答疑，分享技术面试中的那些弯弯绕绕。
- 《大模型面试宝典》(2025版) 正式发布！
喜欢本文记得收藏、关注、点赞。
小编环境
基于Win10中的Linux子系统进行部署安装
Linux子系统：Ubuntu 22.04.5 LTS
python -V
# Python 3.11.11
uname -a
# Linux DESKTOP-KREEAFH 5.15.167.4-microsoft-standard-WSL2 #1
# SMP Tue Nov 5 00:21:55 UTC 2024 x86_64 x86_64 x86_64 GNU/Linux
lsb_release -a
# No LSB modules are available.
# Distributor ID: Ubuntu
# Description: Ubuntu 22.04.5 LTS
# Release: 22.04
# Codename: jammy
安装Ollama，并下载deepseek模型
官网地址：https://ollama.com/download
官网命令：curl -fsSL https://ollama.com/install.sh | sh
因该网站是国外服务器，所以都懂得，按官网命令进行安装，基本都不会成功，所有需要魔改安装脚本 install.sh
1. 在Linux下载 install.sh 安装脚本文件到本地
curl -fsSL https://ollama.com/install.sh -o install.sh
2. 修改安装脚本文件，需要开启魔法上网
在83行增加curl命令的代理参数，前面ip地址为Win10的网络地址，端口需要查看自己本地魔法上网的软件端口，小编使用的是 v2rayN，因为是在Linux子系统中使用，需要使用局域网的http端口
curl --fail --show-error --location --progress-bar \
--proxy http://192.168.21.121:10811 \
"https://ollama.com/download/ollama-linux-${ARCH}.tgz${VER_PARAM}" | \
$SUDO tar -xzf - -C "$OLLAMA_INSTALL_DIR"
curl
代理端口
3. 开启魔法上网，执行安装脚本文件
bash install.sh
4. 下载模型参数权重文件
ollama pull deepseek-r1:1.5b
安装Python环境依赖包
新建requirements.txt文件，需要把以下内容放入该文件
langchain
langchain-community
langchain_experimental
streamlit
pdfplumber
semantic-chunkers
open-text-embeddings
ollama
prompt-template
sentence-transformers
faiss-cpu
安装上面列出的所有三方库：
pip install -r requirements.txt
Web完整代码
app.py文件内容
import streamlit as st
from langchain_community.document_loaders import TextLoader
from langchain_community.embeddings import OllamaEmbeddings
from langchain_community.vectorstores import FAISS
from langchain.chains import RetrievalQA
from langchain_community.llms import Ollama
import os
def initialize_interface():
# 定义 CSS 样式
st.markdown(
"""
<style>
.text-color {
color: grey; /* 设置字体颜色为灰色 */
font-size: 25px; /* 设置字体大小为 20px */
}
</style>
""",
unsafe_allow_html=True
)
st.markdown(
"""
<h1 style="text-align:center;">
个人本地知识库 <span class="text-color">@DeepSeek </span>
</h1>
""",
unsafe_allow_html=True
)
def load_documents(folder_path):
documents = []
for file_name in os.listdir(folder_path):
file_path = os.path.join(folder_path, file_name)
loader = TextLoader(file_path)
documents.extend(loader.load()) # 读取本地文件的內容
return documents
def create_vectorstore(documents, model_name="deepseek-r1:1.5b"):
embeddings = OllamaEmbeddings(model=model_name)
vectorstore = FAISS.from_documents(documents, embeddings)
return vectorstore.as_retriever(search_type="similarity", search_kwargs={"k": 3})
def initialize_qa_chain(retriever, model_name="deepseek-r1:1.5b"):
llm = Ollama(model=model_name)
return RetrievalQA.from_chain_type(llm, retriever=retriever)
def main():
initialize_interface() # 初始化web
documents = load_documents("data") # 加载本地文件内容
retriever = create_vectorstore(documents) # 创建RAG
qa_chain = initialize_qa_chain(retriever) # 初始化问答
query = st.text_area("请输入要搜索问题：",height=80)
if query:
response = qa_chain.run(query)
st.write("💡 回答：", response)
if __name__ == "__main__":
main()
项目文件结构
把个人的知识库内容放入data目录下面，目前支持text文件
目录结构
启动Web程序
启动Web程序，按照提示打开浏览器，这里需稍等几分钟根据个人的电脑配置决定），然后就可以提问
streamlit run ./rag/app.py
参考文章
- https://sebastian-petrus.medium.com/developing-rag-systems-with-deepseek-r1-ollama-f2f561cfda97
- https://zhuanlan.zhihu.com/p/17210266424
- https://github.com/henry3556108/rag