使用 DeepSeek R1 和 Ollama 搭建一个 RAG 系统（包含完整代码）

最新推荐文章于 2025-05-30 14:18:56 发布

少喝冰美式

最新推荐文章于 2025-05-30 14:18:56 发布

阅读量797

点赞数 21

文章标签： DeepSeek DeepSeek R1 ollama RAG 大语言模型 LLM AI大模型

本文链接：https://blog.youkuaiyun.com/python12222_/article/details/145681455

版权

你有没有想过，能不能像跟人聊天一样，直接问 PDF 文件或技术手册问题？比如你有一本很厚的说明书，不想一页页翻，只想问它：“这个功能怎么用？”或者“这个参数是什么意思？”现在有了 AI 技术，这完全可以实现！

这篇文章教你如何用两个工具（DeepSeek R1 和 Ollama）来搭建一个智能系统，让它帮你从 PDF 里找答案。这个系统叫 RAG（检索增强生成），简单来说就是：先找资料，再生成答案。

为什么要用 DeepSeek R1？

省钱：它比 OpenAI 的模型便宜 95%，效果却差不多。
精准：每次只从 PDF 里找 3 个相关片段来回答问题，避免瞎编。
本地运行：不用联网，速度快，隐私也有保障。

你需要准备什么？

Ollama：一个让你在电脑上本地运行 AI 模型的工具。
- 下载地址：https://ollama.com/
- 安装后，运行命令：
```
ollama run deepseek-r1  # 默认用7B模型
```
DeepSeek R1 模型：有不同大小，最小的 1.5B 模型适合普通电脑，更大的模型效果更好，但需要更强的电脑配置。
- 运行小模型：
```
ollama run deepseek-r1:1.5b
```
通用配置原则模型显存占用（估算）：

每 1B 参数约需 1.5-2GB 显存（FP16 精度）或 0.75-1GB 显存（INT8/4-bit 量化）。
例如：32B 模型在 FP16 下需约 48-64GB 显存，量化后可能降至 24-32GB。

内存需求：至少为模型大小的 2 倍（用于加载和计算缓冲）。

存储：建议 NVMe SSD，模型文件大小从 1.5B（约 3GB）到 32B（约 64GB）不等。

怎么搭建这个系统？

第一步：导入工具包

我们用 Python 写代码，需要用到一些工具包：

LangChain：处理文档和检索。
Streamlit：做一个简单的网页界面。

import streamlit as st
from langchain_community.document_loaders import PDFPlumberLoader
from langchain_experimental.text_splitter import SemanticChunker
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_community.vectorstores import FAISS
from langchain_community.llms import Ollama

第二步：上传 PDF

用 Streamlit 做一个上传按钮，把 PDF 传上去，然后用工具提取里面的文字。

uploaded_file = st.file_uploader("上传PDF文件", type="pdf")
if uploaded_file:
    with open("temp.pdf", "wb") as f:
        f.write(uploaded_file.getvalue())
    loader = PDFPlumberLoader("temp.pdf")
    docs = loader.load()

第三步：把 PDF 切成小块

PDF 内容太长，直接喂给 AI 会吃不消。所以要把文字切成小块，方便 AI 理解。

text_splitter = SemanticChunker(HuggingFaceEmbeddings())
documents = text_splitter.split_documents(docs)

第四步：建一个“知识库”

把切好的文字块转换成向量（一种数学表示），存到一个叫 FAISS 的数据库里。这样 AI 就能快速找到相关内容。

embeddings = HuggingFaceEmbeddings()
vector_store = FAISS.from_documents(documents, embeddings)
retriever = vector_store.as_retriever(search_kwargs={"k": 3})  # 每次找3个相关块

第五步：设置 AI 模型

用 DeepSeek R1 模型来生成答案。告诉它：只根据 PDF 内容回答，不知道就说“我不知道”。

llm = Ollama(model="deepseek-r1:1.5b")
prompt = """
1. 仅使用以下上下文。
2. 如果不确定，回答“我不知道”。
3. 答案保持在4句话以内。

上下文: {context}

问题: {question}

答案:
"""
QA_CHAIN_PROMPT = PromptTemplate.from_template(prompt)

第六步：把整个流程串起来

把上传、切块、检索和生成答案的步骤整合成一个完整的系统。

llm_chain = LLMChain(llm=llm, prompt=QA_CHAIN_PROMPT)
document_prompt = PromptTemplate(
    template="上下文:\n内容:{page_content}\n来源:{source}",
    input_variables=["page_content", "source"]
)
qa = RetrievalQA(
    combine_documents_chain=StuffDocumentsChain(
        llm_chain=llm_chain,
        document_prompt=document_prompt
    ),
    retriever=retriever
)

第七步：做个网页界面

用 Streamlit 做一个简单的网页，用户可以输入问题，系统会实时返回答案。

user_input = st.text_input("向你的PDF提问:")
if user_input:
    with st.spinner("思考中..."):
        response = qa(user_input)["result"]
        st.write(response)

未来展望

DeepSeek R1 只是开始，未来还会有更多强大的功能，比如：

自我验证：AI 能检查自己的答案对不对。
多跳推理：AI 能通过多个步骤推导出复杂问题的答案。

总结

用这个系统，你可以轻松地从 PDF 里提取信息，像跟人聊天一样问问题。赶紧试试吧，释放 AI 的潜力！

完整代码在文末领取！

DeepSeek无疑是2025开年AI圈的一匹黑马，在一众AI大模型中，DeepSeek以低价高性能的优势脱颖而出。DeepSeek的上线实现了AI界的又一大突破，各大科技巨头都火速出手，争先抢占DeepSeek大模型的流量风口。

DeepSeek的爆火，远不止于此。它是一场属于每个人的科技革命，一次打破界限的机会，一次让普通人也能逆袭契机。

DeepSeek的优点

read-normal-img

掌握DeepSeek对于转行大模型领域的人来说是一个很大的优势，目前懂得大模型技术方面的人才很稀缺，而DeepSeek就是一个突破口。现在越来越多的人才都想往大模型方向转行，对于想要转行创业，提升自我的人来说是一个不可多得的机会。

那么应该如何学习大模型

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

大模型岗位需求越来越大，但是相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。

read-normal-img

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；

• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；

• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术，也想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把都打包整理好，希望能够真正帮助到大家。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

read-normal-img

第一阶段：从大模型系统设计入手，讲解大模型的主要方法；

第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈
光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

read-normal-img