石家庄二手房提升网页优化排名

最近DeepSeek爆火，试用DeepSeek的企业和个人越来越多。最常见的应用场景就是知识库和知识问答。所以本人也试用了一下，在笔记本电脑上部署DeepSeek并使用开源工具搭建一套知识库，实现完全在本地环境下使用本地文档搭建个人知识库。操作过程共享出来，供大家参考。

部署环境

笔记本电脑，具体配置如下：

处理器：Intel(R) Core(TM) i7-10510U CPU @ 1.80GHz   2.30 GHz

内存：16G

硬盘：500G

显卡：集成显卡

操作系统：Windows 11

软件清单

构建本地知识库，除了DeepSeek还需要安装知识库软件。网上推荐比较多的是RagFlow，软件开源，功能也很强大，可以使用本地文档构建外挂知识库。另外，同时也安装了Cherry Studio，可以作为操作DeepSeek的交互工具。

软件	功能	版本	依赖工具
DeepSeek	LLM模型，主要用于自然语言理解和推理	deepseek-r1:7b	Ollama
Cherry Studio	一款强大的多模型 AI 助手，可用于DeepSeek的人机交互	最新版就好
BGE	通用向量模型，用于知识库中文档检索	bge-m3:latest
RAGFlow	知识库构建工具	最新版就好	Docker Git

安装DeepSeek

从官网下载并安装Ollama，过程略。可参考 https://ollama.com/

安装完毕后，执行命令：

ollama run deepseek-r1:7b

安装成功后，就可以在命令行里操作deepseek了。

操作很简单。至此，deepseek就安装完毕。

安装Cherry Studio

如果不习惯使用命令行，希望使用客户端与本地安装的deepseek交互，可以安装一个对话界面软件，我试用了Chatbox和Cherry Studio都不错，可以更直观地调整模型的参数和提示词，同时也支持将对话内容完全存档在本地，本文以Cherry Studio为例。

前往https://cherry-ai.com/，根据你的操作系统（支持 Windows、Mac 和 Linux）下载对应的安装包。默认下一步安装完毕就好。

启动Cherry Studio，添加嵌入模型。

在模型服务中选择Ollama

点击“管理”进行模型选择，从模型列表中选择与你本地部署的 DeepSeek-R1 模型版本对应的选项，如果没有直接匹配项，选择支持自定义模型配置的入口。

在“API地址”中，将 API 地址设置为http://localhost:11434 ，这是 Ollama 服务的默认接口地址，确保 Cherry Studio 能连接到本地运行的 DeepSeek-R1 模型。

保存后，就可以创建助手与本地deepseek进行对话了。

安装RAGFlow

RAGFlow使用Docker部署运行，因此需要先在电脑上部署Docker环境。同时本文采用从GitHub仓库直接拉取镜像部署的方式，因此也需要提前安装Git。

可访问官方 GitHub 仓库的 README 页面拉取镜像，并按照文档中的指引安装部署：https://github.com/infiniflow/ragflow/blob/main/README_zh.md

如果遇到问题，可访问网络上部署 RAGFlow 的踩坑帖子，如：https://blog.csdn.net/gr1785/article/details/145543754?spm=1001.2014.3001.5502

如果电脑没装Docker，可以参考Windows | Docker Docs 自行安装，本文使用WSL。

安装完毕后，要记得启动“Docker Desktop”，否则后面执行docker命令时会报错。

如果电脑没装Git，可以从Git - Downloading Package下载安装文件进行安装。

安装完毕后，进入命令行，将RAGFlow工程Clone到本地文件夹下。

$ git clone https://github.com/infiniflow/ragflow.git

进入 docker 文件夹

$ cd ragflow/docker 

利用提前编译好的 Docker 镜像启动服务器：

运行以下命令会自动下载 RAGFlow slim Docker 镜像 v0.16.0-slim。

$ docker compose -f docker-compose.yml up -d

如需下载不同于 v0.16.0-slim 的 Docker 镜像，请在运行 docker compose 启动服务之前先更新 docker/.env 文件内的 RAGFLOW_IMAGE 变量。比如，你可以通过设置 RAGFLOW_IMAGE=infiniflow/ragflow:v0.16.0 来下载 RAGFlow 镜像的 v0.16.0 完整发行版。

如果遇到 Docker 镜像拉不下来的问题，可以在 docker/.env 文件内根据变量  RAGFLOW_IMAGE  的注释提示选择华为云的相应镜像。

华为云镜像名：swr.cn-north-4.myhuaweicloud.com/infiniflow/ragflow

运行成功后，打开浏览器，登录localhost进入RAGFlow页面。注册账号后，就可以登录使用了。

设置知识库

使用RAGFlow设置知识库，首先要在“模型提供商”中添加模型。必须要添加的有两个模型，一个是LLM模型，使用DeepSeek；另一个是嵌入模型，使用bge-m3。

在“待添加的模型”列表中选择“Ollama”，添加LLM.

“最大token数”可以通过如下命令获取后填入。

ollama show deepseek-r1:7b

“基础Url”需要注意如果填写“http://localhost:11434”，会遇到“[Errno 111] Connection refused”的异常。原因是Docker中的程序访问不到本机的11434端口，可以参考

[Question]: Fail to access model(deepseek-r1:8b).**ERROR**: [Errno 111] Connection refused因此，此处要注意“基础Url”处填写：

 http://host.docker.internal:11434 

添加嵌入模型前，首先使用Ollama 安装bge-m3

ollama pull bge-m3

然后配置嵌入模型。

模型添加成功后，进入“系统模型设置”，选择添加的模型。

然后就可以创建知识库了。

在知识库设置中修改语言、权限、嵌入模型。

在“数据集”中上传所需的文档。

上传成功后，选择文档进行“解析”。

上传了几个PDF文档，解析的效果还不错。解析分段如果有不准确的地方，可以人工修正。

数据集准备就绪后，就可以“新建助理”，然后问问题了。

相比于互联网模型，个人知识库会从结合本地文档训练的数据集进行分析，更加符合个人专业诉求。

总结

DeepSeek确实很香，搭配开源工具不花一分钱就搭建了一个定制化的知识库。从回答的逻辑和文档解析的效果看，都很不错。当然，本案例个人尝鲜可以，作企业商用还不行，抛开企业定制化和运维需求之外，主要问题有两个：

1. 个人笔记本的配置部署7b小模型已经是极限了，使用Cherry Studio做问答速度还可以。但使用RAGFlow做的个人知识库做问答，确实慢的要死。正式使用或企业商用，还是需要试用商用推荐配置。

2. 数据集质量极大影响知识库问答效果，因此高价值的原始数据以及对原始数据的解析整理十分重要。现在工具能力相当不错了，但数据工程将是企业数据库构建的主要挑战。