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。更多实战和面试交流，文末加入我们

技术交流

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 3.11.11uname -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/Linuxlsb_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 osdef 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 documentsdef 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webdocuments = load_documents("data")  # 加载本地文件内容retriever = create_vectorstore(documents)  # 创建RAGqa_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

1. https://sebastian-petrus.medium.com/developing-rag-systems-with-deepseek-r1-ollama-f2f561cfda97
2. https://zhuanlan.zhihu.com/p/17210266424
3. https://github.com/henry3556108/rag