打破AI黑盒，拥抱开源力量：基于openGauss+DeepSeek的本地知识库，打造你的专属AI助手！

引言：什么是RAG和LLM？

LLM (Large Language Model，大语言模型): 就像 ChatGPT 这样的 AI 模型，拥有强大的语言理解和生成能力，但它们的知识局限于训练数据，且可能产生“幻觉”（即生成不准确的信息）。

RAG (Retrieval-Augmented Generation，检索增强生成): 一种将信息检索与 LLM 结合的框架，可以实时从外部知识库中检索相关信息，并利用 LLM 生成更准确、可靠的回答。

当前，以 ChatGPT 为代表的外部 AI 助手暴露出诸多问题，回答内容的准确性存疑，数据安全存在隐患，访问过程中也时常出现不稳定的状况。

这篇教程，将手把手教你基于openGauss开源数据库和DeepSeek，在本地部署一个专属的AI知识库，拥有一个更懂你、更安全、更可控的AI助手！

为什么选择openGauss + DeepSeek？

• 开源开放，透明可信：告别AI“黑盒”，代码完全开放，数据随心掌控，安全可靠。
• 性能强劲，稳定高效：openGauss作为国产数据库佼佼者，性能优异且更加安全稳定，DeepSeek的RAG模型更是能精准理解你的需求。
• 灵活定制，无限可能：本地部署意味着你可以根据自身需求，自由定制知识库内容和功能，打造更懂你的AI助手。

为什么要本地部署？

• 数据安全，隐私保障：敏感数据不出本地，杜绝信息泄露风险，安心使用无顾虑。
• 离线可用，稳定可靠：无需依赖网络，随时随地访问你的知识库，稳定流畅不卡顿。
• 成本可控，长期受益：一次部署，长期使用，无需持续支付高昂的云服务费用。

实践准备：搭建基础环境

操作系统与 Python 环境配置

本文实践所采用的操作系统为 openEuler 22.03 LTS(x86_64)。为了确保各个组件之间能够实现无缝兼容并顺利运行，我们选择使用 python3.11。

DeepSeek推理模型部署：解锁强大文本生成能力

安装Ollama服务

首先，我们需要下载 ollama 的 pypi 包，以便后续访问 ollama 服务：

[test@localhost ~]$ pip3 install ollama

然后，我们可以使用官网提供的一键式部署脚本来部署 ollama 服务：

curl -fsSL https://ollama.com/install.sh | sh

如果遇到网络问题无法直接安装，我们可以考虑采用手动方案：

[test@localhost ~]$ wget https://ollama.com/download/ollama-linux-amd64.tgz
[test@localhost ~]$ tar -zxvf ollama-linux-amd64.tgz -C /usr/
[test@localhost ~]$ which ollama
/usr/bin/ollama

注：arm 架构的下载地址为 https://ollama.com/download/ollama-linux-arm64.tgz

安装成功后，我们可以启动 ollama 服务：

[test@localhost ~]$ ollama serve &

选择关键模型：DeepSeek与nomic-embed-text的协同

在RAG应用中，文本嵌入模型和文本生成模型是至关重要的组成部分。在本次实践中，我们着重引入了DeepSeek家族中的deepseek-r1模型来承担文本生成这一核心任务。

deepseek-r1 模型是基于先进的深度学习技术开发的，它具有独特的架构和训练方式，能够更好地捕捉文本中的语义信息，从而为文本生成带来更出色的效果。同时，我们选用nomic-embed-text模型用于嵌入任务，该模型能够将文本转换为高维向量表示，为后续的检索和匹配提供了强有力的支持。二者协同工作，共同助力我们基于DeepSeek与openGauss打造的本地AI知识库，使其能够更高效、更精准地为用户提供服务。

[test@localhost ~]$ ollama --version
ollama version is 0.5.6

[test@localhost ~]$ ollama pull deepseek-r1
[test@localhost ~]$ ollama pull nomic-embed-text

openGauss安装部署：构建可靠数据存储基石

通过openGauss向量数据库存储本地私域知识，在快速检索的同时提供更加稳定、更加安全的数据防护。

下载依赖

首先，我们需要下载 psycopg2 依赖：

[test@localhost ~]$ pip3 install psycopg2

获取镜像

通过如下命令获取 openGauss 镜像：

[root@localhost ~]$ wget https://opengauss.obs.cn-south-1.myhuaweicloud.com/latest/x86_openEuler/openGauss-Docker-7.0.0-RC1.tar
[root@localhost ~]$ docker load -i openGauss-Docker-7.0.0-RC1.tar

注：arm 架构的获取方式为 https://opengauss.obs.cn-south-1.myhuaweicloud.com/latest/arm/openGauss-Docker-7.0.0-RC1.tar

启动服务

镜像拉取完成后，我们可以启动openGauss服务：

[root@localhost ~]$ docker run --name opengauss --privileged=true -d -e GS_PASSWORD=Test@123 -p 8888:5432 -v /home/test/opengauss:/var/lib/opengauss opengauss:7.0.0-RC1

至此，openGauss已经成功安装部署，我们可以通过psycopg2连接openGauss查看版本信息：

import psycopg2conn = psycopg2.connect(database="postgres",user="gaussdb",password="Test@123",host="127.0.0.1",port="8888"
)
cur = conn.cursor()
cur.execute("select version();")
rows = cur.fetchall()
print(rows)

[('(openGauss 7.0.0-RC1 build 3fb58c89) compiled at 2025-01-20 00:24:26 commit 0 last mr   on x86_64-unknown-linux-gnu, compiled by g++ (GCC) 10.3.0, 64-bit',)]

构建RAG实例：实现知识的高效检索与生成

我们以openGauss基础语料知识为例，通过deepseek-r1，做一个基础版的数据库智能问答小助手。

准备数据

以 openGauss 部分语料数据作为私域知识，下载文件：

[test@localhost ~]$ wget https://gitee.com/opengauss/website/raw/v2/app/zh/faq/index.md

对语料进行预处理：

file_path = '/home/test/index.md'with open(file_path, 'r', encoding='utf-8') as file:    content = file.read()paragraphs = content.split('##')for i, paragraph in enumerate(paragraphs):print(f'段落 {i + 1}:\n{paragraph}\n')print('-' * 20)

语料嵌入

在前述章节里，我们已经准备好了nomic-embed-text嵌入模型。这里进行简单测试如下：

import ollamadef embedding(text):vector = ollama.embeddings(model="nomic-embed-text", prompt=text)return vector["embedding"]text = "openGauss 是一款开源数据库"
emb = embedding(text)
dimensions = len(emb)
print("text : {}, embedding dim : {}, enbedding : {} ...".format(text, dimensions, emb[:10]))

text : openGauss 是一款开源数据库, embedding dim : 768, enbedding : [-0.5359194278717041, 1.3424185514450073, -3.524909734725952, -1.0017194747924805, -0.1950572431087494, 0.28160029649734497, -0.473337858915329, 0.08056074380874634, -0.22012852132320404, -0.9982725977897644] ...

数据导入

根据事先启动的openGauss docker服务连接信息建立连接：

import psycopg2table_name = "opengauss_data"conn = psycopg2.connect(database="postgres",user="gaussdb",password="Test@123",host="127.0.0.1",port="8888"
)

创建包含文本数据和向量数据的table：

# 建表
cur = conn.cursor()
cur.execute("DROP TABLE IF EXISTS {};".format(table_name))
cur.execute("CREATE TABLE {} (id INT PRIMARY KEY, content TEXT, emb vector({}));".format(table_name, dimensions))
conn.commit()

将处理好的语料数据向量化后导入到openGauss数据库中，并创建索引：

# 插入数据
for i, paragraph in enumerate(paragraphs): emb = embedding(paragraph)insert_data_sql = f'''INSERT INTO {table_name} (id, content, emb) VALUES (%s, %s, %s);'''cur.execute(insert_data_sql, (i, paragraph, emb))conn.commit()# 创建索引
cur.execute("CREATE INDEX ON {} USING hnsw (emb vector_l2_ops);".format(table_name))
conn.commit()

查询检索

我们尝试询问如下问题：

question = "openGauss 发布了哪些版本？"

在openGauss中检索该问题以获取之前导入数据库中的相关文档：

emb_data = embedding(question)
dimensions = len(emb_data)cur = conn.cursor()
cur.execute("select content from {} order by emb <-> '{}' limit 1;".format(table_name, emb_data))conn.commit()
rows = cur.fetchall()
print(rows)cur.close()
conn.close()

查询结果如下：

[(' 3. openGauss 有哪些版本？\n\nopenGauss 社区每两年发布一个 LTS 版本，LTS 版本作为长期支持版本，可规模上线使用。半年发布一个创新版本，创新版本供用户联创测试使用；涉及重大问题修复时，会按需发布补丁版本。同时按照不同场景分为以下版本：\n\n1. openGauss 企业版:具备更齐全的集群管理功能,适合企业用户；\n2. openGauss 极简版:安装配置简单,解压可用,适合个人开发者；\n3. openGauss 轻量版:精简功能,缩减安装包大小,内存占用更少；\n4. openGauss 分布式镜像:基于 ShardingSphere 和 k8s 的分布式容器化镜像。\n\n详情参考 openGauss 官网[“学习”->“文档”](https://docs-opengauss.osinfra.cn)区域。\n\n',)]

结合LLM实现RAG

首先，为对比RAG前后效果，我们直接询问大模型得到如下答案，结果并不理想：

嗯，我现在想了解一下 openGauss 有哪些发布版本。我之前对这个软件不太熟悉，但听说它是一个用于关系型数据库的高可用性云原生解决方案，可能和 PostgreSQL 类似。首先，我应该确认一下什么是 openGauss，它的主要用途是什么，以及它在市场上的地位。

借助openGauss检索结果作为上下文，将文档进行格式化处理，并为大模型制定PROMPT：

context = "\n".join(row[0] for row in rows)SYSTEM_PROMPT = "你作为一个对话 AI 助手，结合上下文信息简练高效的回答用户提出的问题
"USER_PROMPT = f"请结合{context}信息来回答{question}的问题，不需要额外的无用回答"

基于ollama平台，我们采用deepseek-r1大模型进行知识问答：

response: ChatResponse = chat(model="deepseek-r1",messages=[        
{"role": "user", "content": SYSTEM_PROMPT},        
{"role": "user", "content": USER_PROMPT}    ],
)print(response["message"]["content"])

<think>好的，我现在要解决用户关于openGauss发布版本的问题。根据提供的上下文信息，openGauss每两年发布一个LTS版本，并且半年发布创新版本，当有重大问题修复时会发布补丁版本。
首先，我需要整理已知的版本类型：
1. **企业版**：面向企业用户，功能齐全。2. **极简版**：适合个人开发者，安装配置简单，解压即可使用。3. **轻量版**：精简功能，安装包小，占用内存少。4. **分布式镜像**：基于ShardingSphere和k8s的分布式容器化镜像。
接下来，LTS版本是长期支持版本，创新版本供联创测试。此外，还有补丁版本用于修复问题。
用户的问题是询问openGauss发布了哪些版本？因此，我需要总结这些信息，列出所有已知版本类型，并说明每个版本的目标用户和功能特点。
最后，确保回答简练、高效，避免任何无用内容。</think>openGauss 社区发布的主要版本类型包括：
1. **企业版**：适合企业用户，提供全面的集群管理功能。2. **极简版**：适用于个人开发者，安装配置简单且解压即可使用。3. **轻量版**：精简功能，适合需要小而精的应用场景。4. **分布式镜像**：基于 ShardingSphere 和 k8s 的分布式容器化镜像。
这些版本根据不同的应用场景提供定制化的解决方案。LTS 版本作为长期支持版本，创新版本则供用户进行联创测试使用。当出现重大问题时，会发布补丁版本进行修复。更多信息可参考 openGauss 官网。

可见，使用 deepseek 结合 openGauss 搭建的 RAG 应用，不仅能借助 deepseek 强大的文本生成能力和精准的文本嵌入功能，还能依托 openGauss 出色的向量数据库高效存储和快速检索向量数据，从而显著提升答案的准确性、可靠性，有效避免大语言模型的幻觉问题，为企业提供更优质的本地化知识服务。

结语

最后，我们基于ollama，成功利用openGauss和DeepSeek从零搭建起了简易的 RAG 应用，如愿获取到了所需的知识数据。在这个过程中，我们对 RAG 技术有了更深入的理解，也切实体会到了它在解决 LLM 实际应用问题上的作用。这个简易应用只是一个开端，你可以依据自身需求对相关环节进行灵活调整和优化，以更好地满足不同场景的需要。希望本文能帮助你加深对 RAG 技术应用实践的认识。