0基础构建DeepSeek私有知识库问答【极速实战】

本文来自九天老师的公开课，由赋范空间运营进行整理编辑，如果你有任何建议欢迎评论告知哦~

全网用上DeepSeek后，最苦恼的就是“服务器繁忙，请稍后再试”

除此之外，有想法的小伙伴希望他能回答自己行业的问题，如法律、医疗等领域，DeepSeek就“信口开河”。

让大模型既保持通用智慧，又能精准驾驭特定领域的知识（还要规避服务器繁忙）就是本次为大家带来的「DeepSeek+RAG」要完成的使命🫡

RAG的优势：

• 打破模型的知识天花板：无需重新训练即可扩展模型的知识范围，降低成本；

• 动态更新与可控性：实时接入数据库、文档、API，确保信息与时俱进；

• 可解释性与安全性：答案来源可追溯，避免“黑箱”风险，符合企业合规需求；

• 行业落地的关键桥梁：从通用聊天到垂直场景赋能，RAG是AI商业化的核心路径之一。

这种“检索+生成”的协同模式，正在重塑企业知识管理、智能客服、法律咨询、医疗诊断等场景的AI应用范式。

一、 Ollama+DeepSeek R1 模型本地部署

本次以 Windows 系统为例进行演示， MacOS 、 Linux 系统实现方式也类似。

为教学演示，本次重点介绍完全本地部署实现方案，并采用 DeepSeek R1 蒸馏模型进行演示。

若硬件条件允许，建议部署原版 DeepSeek R1 模型。

各模型运行所需显存如下：

●模型本地调度框架选取

本次以AnythingLLM为例，更加复杂的框 架，如Open-WebUI、Kotaemon  等，我们提供了完整的完整的参考课件资料，可在开源大模型技术社区中免费获取。

同其他主流大模型对话 Web 框架类似， AnythingLLM 同时支持调用在线模型 API 、或本地模型进行推理，并且 AnythingLLM 本身是一款集成度非常高的聊天框架。

我们只需要借助可视化页面手动点击选择在线模型 AP 或者本地推理框架即可，例如一些主流 API 厂商：

或者一些主流的本地推理框架。

本节公开课我们将以 Ollama 为例进行演示。

Step 1.安装 ollama 

首先需要先安装 ollama 地址，下载地址：https : //ollama.com/ 

选择对应的操作系统进行安装即可：

Ollama 下载存在网络限制，对应 Windows 、 MacOS 软件安装包已为大家准备好，放在开源大模型技术社区中，扫描下方二维码即可获取。

下载后即可开始安装：

而当 Ollama 安装结束后，会自动在后台开启 Ollama 进程， Windows 系统下可以按住 Win+r 键，输入 cmd 开启命令行，并在命令行中查看 Ollama 运行情况：

例如，输入 tasklist | findstr ollama 查看 Ollama 进程是否存在

如此则说明 Ollama 已启动。若未启动，可输入ollama start 启动 Ollama 。

Step 2.下载 DeepSeek R1 模型

接下来即可进一步下载 DeepSeek R1 模型了，这里我们可以直接使用ollama pull 命令自动下载与注册，也可以手动下载模型的 GGUF 文件，然后手动完成 Ollama 模型注册，再进行调用。

首先输入 ollama list 查看当前模型列表：

然后回到 ollama deepseek r1 模型列表，查看模型组情况：https : //ollama.com/librarv/deepseek-r1 

其中不同尺寸模型运行所需占用显存大小如上所示。

需要注意， ollama 只支持运行 Q4 K M 模型，相当于是 4bit 量化后的模型，因此每个模型运行所需占用显存并不大。

接下来使用如下命令下载模型

这里以 14b 模型为例，下载其他模型的话只需要修改模型名称即可。

例如修改为 deepseek-r1 : 7b ,则代表下载 7b 模型。

稍等片刻即可完成下载。下载完成后即可使用ollama list命令查看当前模型是否完成下载与注册：

接下来即可调用 DeepSeek R1 Distill 14B 模型进行本地知识库问答了。

二.A n y t h i n g L L M 安装与使用

AnythingLLM 是一款集成度非常高、且功能非常稳定的大模型对话前端产品，功能实现方面非常便捷，对于初学者十分友好。

可以直接从 AnythingLLM 官网进行下载：https : //anvthingllm.com/ 

选择对应的操作系统版本下载安装即可开始安装：

安装完成后，会自动启动 AnythingLLM , 并进入设置页面

点击 Get started , 则进入到选择 LLM 页面：

这里我们选择借助 Ollama 来调用本地的 14B 模型。

需要注意， AnythingLLM 会自动检测 Ollama 进程是否存在 ( 也就是 Ollama 是否启动 ) , 以及现在 Ollama 中已经注册了哪些模型。

因此在进入到上面这个设置也面前，需要确保 Ollama 已经启动，并且已完成了相关模型注册。选择好 14B 模型之后即可点击进入下一步：

该页面是进行模型配置说明，当前的模型配置是：

●对话模型：负责完成对话任务，由 Ollama 调度 DeepSeek R1 Distill 14B 来完成对话；

● Embedding 模型：负责进行词向量化的模型，由 AnythingLLM 官方提供；

●词向量数据库：用于存储词向量化之后的对象，默认为 LancelotDB; 

对于任何一个本地知识库问答的过程，都需要经历文本切割、词向量化、词向量存储、词向量检索与问答几个基本环节。

因此至少需要 Chat 模型、 Embedding 模型以及词向量数据库作为基础组件。

RAG 的基本原理如下：

在浏览了当前模型配置后，接下来即将进入 AnythingLLM 注册页面，这里可以直接跳过：

然后需要创建一个 workspace , 相当于是 ChatGPT 或者其他开发项目的一个 Project , 用于对对话进行分类：

当我们进入到如下页面，则说明安装成功：

接下来即可尝试进行对话了。

AnythingLLM 对于 DeepSeek R1 系列模型的支持是非常友好的，甚至会区分思考过程和回答过程：

并且支持多轮对话：

三.借助 Anything LL M 进行本地知识库问答

AnythingLLM 是一款集成度非常高、且运行稳定的 RAG+ 前端对话框架，我们可以非常便捷地为每次对话设置知识库。主要方法有以下两种：

●在单次问答中设置背景文本

例如，我们可以直接在对话框下方点击回形针按钮，即可上传文本并进行对话，整个过程类似 ChatGPT 的功能实现：

这里所谓上传文本，并不是把文本上传到远程服务器，而是将文本进行切分、 Embedding 后后上传到本地的 LanceDB 词向量数据库中。整个过程全部都在本地完成。

上传文本：

等待文本切分与词向量化过程

然后即可开始问答：

此时问答即会根据文档进行回答。

●统一知识库管理

此外，若想让整个文本长期存在于当前对话中，则需要借助 AnythingLLM 的知识库管理功能。下面这个 icon 就是知识库管理图标 : 

点击后即可进入到如下页面：

这里我们额外上传一份 DeepSeek V3 技术报告。

该报告的内容超出了当前模型只是范畴，适合进行本地文档问答测试：

上传后即可在当前文件夹中看到该文件，这里点击 Move to Workspace , 即可将其列举为备选问答文档：

当 Move to workspace 后，在右侧即可看到这篇文档，然后点击 Save and Embed , 即可开始进行文档切分和词向量化过程：

需要稍等片刻：

完成后，再点击图钉按钮，即可将这篇文档设置为当前对话的背景文档：

然后点击 got it 

然后即可提问：

能够看出，此时回答结果就会根据当前文档进行回答，细节丰满回答流畅。而若不绑定知识库，则模型并不知道 DeepSeek V3 模型：

至此，即完成了 DeepSeek R1 Distill 14B 模型的本地知识库问答全流程。

四.DeepSeek R1 API 接入 AnythingLLM 进行本地知识库问答

最后，让我们来看下如何借助 DeepSeek R1 API+AnythingLLM 来进行本地知识库问答。

首先，新建一个工作区，并命名为 RAG Test2

然后点击设置按钮：

设置页面，我们可以灵活设置当前工作区域的名称 ( 或者删除工作区 ) 

或者修改默认模型，以及 system message  ( 系统默认提示 ) : 

以及进行词向量数据库设置等。

这里我们需要在聊天设置中修改模型为 DeepSeek R1 API , 先点击聊天设置，然后选择模型：

然后在模型提供商中选择 DeepSeek : 

然后在弹出的页面输入 API-KEY 

输入完 API-Key 后，即可选择对话模型， deepseek-chat 就是 DeepSeek V3 , 而 deepseek-reasoner 则是 DeepSeek R1 。

这里我们选择 deepseek-reasoner : 

然后点击 Save , 即可返回设置页面：

然后翻到最下面点击 Update workspace , 即可完成设置：

然后点击左侧聊天栏，选择 default 会话即可开始聊天了：

如此即可完成对话。

在文章即将结束的末尾，为大家整理了其他方便快捷搭建私有知识库的框架：

【个人】多端&多模型聊天框架：ChatBox

GitHub地址：https://github.com/Bin-Huang/chatbox

• 【企业级】RAG&GraphRAG   知识库对话框架：kotaemon

Github主页地址https:/github.com/Cinnamon/kotaemon

• 【企业级】RAG&Agent  多功能综合前端框架：Open-WebUI

GitHub项目地址：https://github.com/open-webui/open-webui

• 【企业级】多模态交互框架：lobe-chat

GitHub项目地址：https://github.com/lobehub/lobe-chat

为每个人提供最有价值的技术赋能！【公益】大模型技术社区已经上线！

九天&菜菜&菊安酱&木羽老师，30+套原创系统教程，涵盖国内外主流「开&闭源大模型」调用与部署，RAG、Agent、微调实战案例…

所有内容免费公开，还将定期追更最新大模型技术进展~