手撸一个 deepseek 文件对话（ollama + deepseek + langchain）

前言
之前写过联网对话、聊天历史对话，现在继续写个文件对话。

一、环境准备

1. ollama，用于在本地运行、部署和管理大型语言模型（LLMs）。
2. deepseek 模型，本文用的 deepseek-r1:14b。
3. langchain，大语言模型应用程序的开发框架，主要 python 实现。

具体环境搭建这里不在细说，大家可以看看以前文章，传送门：
手撸一个 deepseek 本地联网版且私有化部署（ollama + deepseek + langchain + searxXNG + flask）
手撸一个 deepseek 聊天历史对话、多轮对话（ollama + deepseek + langchain + flask）
保姆级教程 本地部署 deepseek + ollama + open-webui + cuda + cudnn

二、开发思路

1. 文档预处理

• 使用PyPDFLoader加载PDF并合并文本（这里演示 pdf 加载器，其他文件格式的可以看看 langchain 文档）
• 正则清洗（合并空格/调整标点格式）
• 递归文本分割（中文友好分隔符）

2. 语义检索

• 使用BGE中文嵌入模型生成向量
• FAISS向量数据库存储
• Top10相似度检索

3. 问答生成

• DeepSeek中文模型处理提示
• 流式输出结果

三、代码解读

1. 初始化 llm

# 设置Ollama的主机和端口
os.environ["OLLAMA_HOST"] = "127.0.0.1"
os.environ["OLLAMA_PORT"] = "11434"


def get_chat_llm(model="deepseek-r1:14b") -> OllamaLLM:
    return OllamaLLM(model=model)


def get_answer_prompt() -> ChatPromptTemplate:
    system_prompt = """
【指令】
你是一个AI文档助手，根据文档信息，简洁和专业的来回答问题。如果无法从中得到答案，请说 “根据文档信息无法回答该问题”，不允许在答案中添加编造成分，答案请使用中文。
【文档信息】
{context}
    """
    return ChatPromptTemplate.from_messages([
        ("system", system_prompt),
        ("human", "{input}")  # 将query改为input以匹配输入键
    ])

2. 文档清洗

# 文档清洗，加强中文标题，去冗余空白
def load_and_preprocess_pdf(pdf_path):
    loader = PyPDFLoader(pdf_path)
    documents = loader.load()
    merged_text = "\n".join([doc.page_content for doc in documents])
    cleaned_text = re.sub(r'\s+', ' ', merged_text)
    cleaned_text = re.sub(r'【(.*?)】', r'\n【\1】', cleaned_text)
    return cleaned_text.strip()

3. 文本分块

# 按优先级从高到低的分割符序列，模拟人类阅读时识别文本结构的逻辑顺序。
def create_text_splitter():
    return RecursiveCharacterTextSplitter(
        separators=["\n\n", "。", "！", "？", "\n", "，", "；", " "],
        chunk_size=1000,
        chunk_overlap=200,
        length_function=len
    )

4. 语义检索返回TOP10

# 语义检索返回TOP10
def get_retriever(documents: List[Document]):
    embeddings = OllamaEmbeddings(model="quentinz/bge-large-zh-v1.5", base_url="http://127.0.0.1:11434")
    vector_store = FAISS.from_documents(documents, embeddings)
    return vector_store.as_retriever(search_kwargs={"k": 10})

5. 主流程，文件放在 uploads 目录下，可以使用 flask 提供接口上传，在对话中指定文件

# 主流程
def start_chat_file(query, model, file_name):
    pdf_path = os.path.join("./uploads", file_name)
    cleaned_text = load_and_preprocess_pdf(pdf_path)
    chunks = create_text_splitter().split_text(cleaned_text)
    documents = [Document(page_content=chunk) for chunk in chunks]

    llm = get_chat_llm(model)
    retriever = get_retriever(documents)

    # 构建链
    prompt = get_answer_prompt()
    document_chain = create_stuff_documents_chain(llm, prompt)
    retrieval_chain = create_retrieval_chain(retriever, document_chain)

    # 调用链
    stream = retrieval_chain.stream({"input": query})
    return stream

四、完整代码

import os
import re

from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain.chains.retrieval import create_retrieval_chain
from langchain_community.document_loaders import PyPDFLoader
from langchain_community.vectorstores import FAISS
from langchain_core.documents import Document
from langchain_core.prompts import ChatPromptTemplate
from langchain_ollama import OllamaEmbeddings, OllamaLLM
from langchain.text_splitter import RecursiveCharacterTextSplitter
from typing import List

# 设置Ollama的主机和端口
os.environ["OLLAMA_HOST"] = "127.0.0.1"
os.environ["OLLAMA_PORT"] = "11434"


def get_chat_llm(model="deepseek-r1:14b") -> OllamaLLM:
    return OllamaLLM(model=model)


def get_answer_prompt() -> ChatPromptTemplate:
    system_prompt = """
【指令】
你是一个AI文档助手，根据文档信息，简洁和专业的来回答问题。如果无法从中得到答案，请说 “根据文档信息无法回答该问题”，不允许在答案中添加编造成分，答案请使用中文。
【文档信息】
{context}
    """
    return ChatPromptTemplate.from_messages([
        ("system", system_prompt),
        ("human", "{input}")  # 将query改为input以匹配输入键
    ])


# 文档清洗，加强中文标题，去冗余空白
def load_and_preprocess_pdf(pdf_path):
    loader = PyPDFLoader(pdf_path)
    documents = loader.load()
    merged_text = "\n".join([doc.page_content for doc in documents])
    cleaned_text = re.sub(r'\s+', ' ', merged_text)
    cleaned_text = re.sub(r'【(.*?)】', r'\n【\1】', cleaned_text)
    return cleaned_text.strip()


# 按优先级从高到低的分割符序列，模拟人类阅读时识别文本结构的逻辑顺序。
def create_text_splitter():
    return RecursiveCharacterTextSplitter(
        separators=["\n\n", "。", "！", "？", "\n", "，", "；", " "],
        chunk_size=1000,
        chunk_overlap=200,
        length_function=len
    )


# 语义检索返回TOP10
def get_retriever(documents: List[Document]):
    embeddings = OllamaEmbeddings(model="quentinz/bge-large-zh-v1.5", base_url="http://127.0.0.1:11434")
    vector_store = FAISS.from_documents(documents, embeddings)
    return vector_store.as_retriever(search_kwargs={"k": 10})


# 主流程
def start_chat_file(query, model, file_name):
    pdf_path = os.path.join("./uploads", file_name)
    cleaned_text = load_and_preprocess_pdf(pdf_path)
    chunks = create_text_splitter().split_text(cleaned_text)
    documents = [Document(page_content=chunk) for chunk in chunks]

    llm = get_chat_llm(model)
    retriever = get_retriever(documents)

    # 构建链
    prompt = get_answer_prompt()
    document_chain = create_stuff_documents_chain(llm, prompt)
    retrieval_chain = create_retrieval_chain(retriever, document_chain)

    # 调用链
    stream = retrieval_chain.stream({"input": query})
    return stream


if __name__ == "__main__":
    stream = start_chat_file("总结下采购管理办法", "deepseek-r1:14b", "6fad621de57646a297bf0354e853f0d2.pdf")
    for chunk in stream:
        print(chunk)

五、测试效果

这里用的流式输出，效果还可以，大家可以自行调整参数和优化代码。