利用DeepSeek-R1构建简单的本地知识库

一 简介

初期接触LLM即大语言模型，觉得虽然很强大，但是有时候AI会一本正经的胡说八道，这种大模型的幻觉对于日常使用来说具有很大的误导性，特别是如果我们要用在生成环境下，由于缺少精确性而无法使用。 为什么会造成这种结果那，简单来说就是模型是为了通用性设计的，缺少相关知识，所以导致回复的结果存在胡说八道的情况，根据香农理论，减少信息熵，就需要引入更多信息。

从这个角度来说，就有两个途径，一是重新利用相关专业知识再次训练加强模型，或进行模型微调； 模型训练的成本是巨大的，微调也需要重新标记数据和大量的计算资源，对于个人来说基本不太现实； 二是在问LLM问题的时候，增加些知识背景，让模型可以根据这些知识背景来回复问题；后者即是知识库的构建原理了。

有个专门的概念叫RAG（Retrieval-Augmented Generation），即检索增强生成，是一种结合检索技术和生成模型的技术框架，旨在提升模型生成内容的准确性和相关性。其核心思想是：在生成答案前，先从外部知识库中检索相关信息，再将检索结果与用户输入结合，指导生成模型输出更可靠的回答。

二 RAG原理

简单概述，利用已有的文档、内部知识生成向量知识库，在提问的时候结合库的内容一起给大模型，让其回答的更准确，它结合了信息检索和大模型技术；

分步骤来说，首先是检索阶段，当用户输入一个问题时，系统会从外部数据库或文档中检索相关的信息或文档片段。然后，在生成阶段，这些检索到的信息会和原始问题一起输入到生成模型中，生成最终的答案。这样，模型不仅依赖于内部知识，还能利用外部实时或特定的数据。

我们日常简单通过chat交互方式使用大模型如下图：我们搭建了RAG后，整体架构如下图：

说明：

1. 建立索引： 需要将日常的业务知识，以文件形式给分成较短的块（chunk），然后进行编码，向量化存入到向量化的库中；nomic-embe