DeepSeek R1本地可视化部署+个人知识库搭建与使用

已于 2025-02-09 10:22:54 修改
阅读量1.7k 收藏 13
点赞数 16
分类专栏： DeepSeek本地部署及搭载个人知识库 文章标签： 人工智能 深度学习
于 2025-02-08 17:52:29 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/u013358093/article/details/145520400
版权

DeepSeek R1本地可视化部署+个人知识库搭建与使用

  1.  Ollama PC本地化部署

deepseek 获取网盘下载地址

 地址为https://download.youkuaiyun.com/download/u013358093/90344315

安装ollama

在官网点击Download下载对应系统的安装程序。

https://ollama.com/

1

如果C盘内存足够，可以直接安装

默认是安装到C盘的，如果你想安装到指定目录可以在安装程序目录上方输入CMD打开命令行窗口

在弹出的命令行窗口内输入：

setx OLLAMA_MODELS F:\chatgpt_all\ollama

1

来修改环境变量OLLAMA_MODELS，将模型下载位置修改到F:\chatgpt_all\ollama目录，你也可以改为其他容量比较大的磁盘下的目录

设置ollama服务启动配置：在弹出的命令行窗口内输入执行

setx OLLAMA_HOST 0.0.0.0

setx OLLAMA_ORIGINS *

之后默认一步一步安装即可

安装deepseek模型

本人使用的Y9000P  3060，独立显存6GB，此处使用的ollama run deepseek-r1:7b

选择模型大小。正常情况下根据自己的显卡显存选择，显存小的就用1.5b,比如显存8G就选择8B的模型

显存需求与模型版本匹配

1.5B参数模型

最低0.47元/天 解锁文章
deepseek本地化部署及web可视化构建
一醉千秋的专栏
03-14 476
如果是分布式部署，要连接到另一台服务器上的 Ollama，请将 OLLAMA_BASE_URL 更改为服务器的 URL。步骤2：添加关键变量（如OLLAMA_HOST和OLLAMA_ORIGINS），保存后需彻底重启Ollama服务（通过任务管理器终止进程后重新启动）。步骤1：右键“此电脑” → 属性 → 高级系统设置 → 环境变量 → 用户变量 → 新建变量。\\192.168.1.100\0-常用工具软件\7-deepseek。在工作空间中，先创建知识库，添加文件或者目录，然后在配置本地化模型。
deeepseek可视化界面（ollama+deepseek-r1+Ollama WebUI）
qq_42985657的博客
02-09 798
之前写了deepseek大模型的本地部署。成功解决了网页端或者APP端经常出现的服务器繁忙的问题。本地部署的缺陷之前的本地部署都是通过cmd命令行窗口来操作的，比网页上的效果差了很多。这篇文章记录一下本地界面优化。
本地知识库如何搭建？大模型知识库搭建教程
2301_76161259的博客
05-06 849
大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。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。如果你是零基础小白，想快速入门大模型是可以考虑的。
可视化界面访问本地部署的 DeepSeek
保持敏感！保持学习！
03-24 832
通过本地化部署的 DeepSeek 只能通过命令行去操作，例如下图：通过命令行的方式，虽然也能够使用，但是不够友好，而可视化界面能够带来更好的访问体验。同时有些可视化界面还能够支持切换使用线上的满血版 DeepSeek ，能够更好的覆盖用户的使用需求。可视化界面有很多，下面介绍三款可视化界面。
deepseek-r1本地部署和企业知识库搭建
weixin_51020083的博客
02-08 6144
deepseek-r1本地部署以及知识库搭建
公司数据不泄露，DeepSeek R1本地化部署+web端访问+个人知识库搭建与使用，喂饭级实操教程，老旧笔记本竟跑出企业级AI
热门推荐
m0_63171455的博客
01-31 3万+
目前Ollama支持macOS、Linux、Windows，选择相应的系统，macOS和Windows直接下载，Linux系统需要执行下面命令：荣姐这次选择Windows本地下载，直接安装即可。点击Models，第一条就是deepseek-r1模型。或者搜索框输入模型名称进行搜索。点击进去后，查看各个模型，不同模型执行的命令不同，最后部分看你选择的参数模型。7b命令：ollama run deepseek-r1:7b1.5b命令：ollama run deepseek-r1:1.5b。
【DeepSeek】deepseek可视化部署
weixin_74809706的博客
02-11 8335
DeepSeek是一款由杭州深度求索人工智能基础技术研究有限公司开发的开源人工智能工具库，专注于提供高效易用的AI模型训练与推理能力，其预训练大语言模型在多项权威测评中展现出顶尖性能，且具有多模态支持、中文优化、轻量化部署、开放生态等特点。
人工智能DeepSeek本地部署与WebUI可视化：知识库数据投喂训练AI新手保姆级教程 图文详解使用工具 Ollama + AnythingLLM，知识库文件、模型推理及数据处理均在本地完成
最新发布
05-26
内容概要：本文详细介绍了如何在本地部署国产大模型DeepSeek，并通过WebUI实现可视化交互，以及如何通过知识库数据投喂训练AI。首先，文章指导读者安装Ollama并在本地部署DeepSeek R1模型，根据显存容量选择合适的...
DeepSeek R1 7b本地部署模型整合包及超全学习教程.rar
04-24
DeepSeek R1 7b本地部署模型整合包及超全学习教程是一套详尽的资源包，旨在为用户提供深度学习模型的本地部署解决方案和全面的学习指南。这套资源包的总大小达到420G，内容丰富全面，包括了模型文件、部署工具、操作...
使用 DeepSeek-R1 与 AnythingLLM 搭建本地知识库
赵一舟的博客
02-01 2796
下载安装后执行，命令：ollama run deepseek-r1:1.5b。
2个安装包1条命令搞定：DeepSeek-R1最佳本地部署+知识库+联网搜索
m0_63171455的博客
02-10 955
公众号上看了很多关于Deepseek部署的文章，要么讲的太复杂，要么就是操作不成功。其实甭管是免费也好还是解决服务器繁忙也罢。本质都是本地部署，本地部署本身就非常简单，只需要三步环境就可以搭建起来，剩下的就是配置。跟着下面的步骤操作真的是小白都能运行起来。
DeepSeek接入个人知识库，保姆级教程来了！
Datawhale
02-25 1101
Datawhale干货作者：张龙斐，Datawhale鲸英助教面向人群：计算机小白　阅读时间：7分钟　上次的《最全梳理：一文搞懂 RAG 技术的5种范式！》梳理了对 RAG 进行了一个完整的综述。这次带来 RAG 的小白应用教程：介绍如何通过 ragflow 框架把 DeepSeek 接入到自己的个人知识库中，当然其他模型也是类似，可以自由搭配。先看效果：　ragflow 简介：RAGFlow...
手把手教你本地部署 DeepSeek R1
实事求是，追求技术，精益求精～将至而立之年，不忘年少初心！
02-03 8519
手把手教你Deepseek本地部署，每一步都有图片和解释
DeepSeekR1本地可视化运行！同时支持GPT4，Gemini，Cluade，Ollama所有开源模型
托尼不是塔克
01-24 5520
这里只需要注意一点，视觉问答，得基于视觉模，闭源模型基本都支持，而开源模型中目前比较好的是小钢炮minicpm-v。qwen2.5是chatwise指定的模型，也是一个综合性能很强，实用性很强，发挥比较稳定的开源模型。如果没有这个模型，默认左边只会显示NewChat，本地有了这个模型之后，在使用其他模型时，也能根据对话内容进行自动命名。ChatWise通过Ollama可以对接所有主流的，强大的，最新的开源模型。这是一个独立开发者开发的软件，界面简介，功能强大，支持多平台，支持几乎所有大语言模型的调用。
DeepSeek接入个人知识库，一般电脑也能飞速跑，确实可以封神了！
算法channel
01-28 6522
你好，我是郭震今天这篇教程关于：在自己电脑如何使用大模型，搭建“轻量飞速”个人知识库。1 功能演示之前文章已有介绍为什么要在本地搭建个人知识库，在此不再展开，简单来说，本地搭建知识库能做到更加安全地管理个人文档、或企业不方便外传的文档等。这周末开发的桌面软件，咱们先看看界面功能：包括文件上传，知识库管理，关键词查询及结果显示，然后大模型深度思考分析（部分截图）：2 轻量极速免费以上个人知识库软件，...
手把手带你搞懂Deepseek-V3 低成本知识库，收藏这一篇就够了！！
2401_85325397的博客
01-20 1万+
1 可以通过 api 添加各种模型 2 上传文档就能本地新建知识库 3 各种 AI 工具直接打开 4 知识库配合 deepseek 3 ，加上 COT 提示词 效果不错 5 还能画图 6 有简单 Artifacts 功能，直接渲染代码 7 可以多个模型一起回答问题，就是样式是直接铺下来的。
保姆级教程！6个步骤讲清楚用DeepSeek搭建本地知识库
m0_59235699的博客
02-05 3万+
本地部署的最大意义在于利用DeepSeek大模型的能力加上自己的知识库，可以训练出一个符合自己需求的大模型。想象下如果你是一个医生，有一堆科研资料。你想拥有一个大模型机器人，学习了你所有的资料。每当你想查科研资料找到答案的时候，自己问这个机器人就好了。省去了自己很多查找资料的时间这就是本地部署+知识库的作用。是DeepSeek官网不具备的。因为这是训练的你的私有资料。今天就来分享下这个搭建过程。用到的工具组合是Docker+Dify+DeepSeek。
实操Deepseek接入个人知识库
datayx的文章
02-26 1843
向AI转型的程序员都关注公众号 机器学习AI算法工程为什么要尝试给DeepSeek添加本地知识库呢？或许在我们OA系统中会出现一个AI小助手，我们会问它差旅费报销流程怎么走、合同流程怎么走、负责某某业务的同事的联系方式等等。当然，这应该是最简单的应用场景。时代变了！以前需要找好多个部门的专业人士了解的信息，未来用AI工具就能快速获取，并且是提炼总结后的内容。要实现这些功能，必然需要提供相关的资料内...
如何使用deepseek搭建本地个人知识库
02-26
<think>好的，用户之前问过关于个人知识库的介绍，现在他想知道如何使用DeepSeek搭建本地个人知识库。我需要先理解DeepSeek是什么。根据我的知识库，DeepSeek是一家中国的公司，专注于让AGI成为现实，可能提供相关的工具或服务。不过用户可能指的是他们的某个具体产品，比如可能的大模型或者知识库管理工具。 首先，我需要确认用户提到的“DeepSeek”具体指什么。如果是他们的大模型，可能用户想用该模型来处理本地知识库的数据，比如通过API进行问答或信息提取。如果DeepSeek有开源的工具，可能需要指导用户如何部署本地环境，整合这些工具。 接下来，用户的需求是搭建本地个人知识库，所以需要强调本地部署的步骤，可能包括数据准备、工具安装、模型集成、检索系统搭建等。需要分步骤解释，可能需要结合常见的工具如LangChain、ChromaDB等，同时结合DeepSeek的模型。 用户可能的深层需求是希望有一个高效、私密的个人知识管理系统，能够利用先进的AI模型进行智能检索和处理。需要注意隐私保护，因为数据存储在本地，所以需要确保步骤中包括数据安全的部分。 还需要考虑用户的技术背景，是否需要简化步骤，或者提供不同的方案选择，比如自动化脚本、手动配置等。可能需要提供参考链接或GitHub仓库，帮助用户获取更多资源。 另外，用户之前得到过关于个人知识库的通用介绍，现在需要具体到DeepSeek的实现，因此需要将之前的通用步骤具体化，结合DeepSeek的工具或模型。例如，使用DeepSeek的API进行知识处理，或者使用其开源模型进行本地部署。 最后，可能需要提醒用户注意依赖安装、环境配置、数据格式处理等常见问题，以及如何测试和优化知识库的效果。确保回答清晰、步骤明确，适合不同技术水平的用户参考。</think>以下是使用DeepSeek搭建本地个人知识库的详细方案，结合其大模型能力与本地工具链，实现高效知识管理与智能检索： --- ### **1. 准备工作** #### **工具选择** - **核心框架**：DeepSeek-R1（深度求索开源模型） + LangChain（知识库框架） - **向量数据库**：ChromaDB（轻量级本地向量库）或 Milvus（高性能） - **文本处理**：Unstructured（文档解析）、Sentence-Transformers（文本向量化） - **环境依赖**：Python 3.8+、Docker（可选） #### **数据准备** - 将个人知识文件（PDF/Word/Markdown/网页等）统一存放于 `./data` 目录 - 推荐格式：结构化Markdown（便于AI解析） --- ### **2. 搭建流程** #### **步骤1：部署DeepSeek本地模型** - **方案A：API调用**（需网络，适合快速验证） ```python from deepseek_api import DeepSeek # 假设官方提供SDK model = DeepSeek(api_key="your_key", model="deepseek-r1") ``` - **方案B：本地部署**（需GPU资源） 下载开源模型权重（如DeepSeek-7B），使用LLAMA.cpp量化推理： ```bash git clone https://github.com/ggerganov/llama.cpp ./llama.cpp -m deepseek-7b-q4_0.gguf --prompt "知识库问答" ``` #### **步骤2：构建知识向量库** ```python from langchain.document_loaders import DirectoryLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain.embeddings import HuggingFaceEmbeddings from langchain.vectorstores import Chroma # 加载本地文档 loader = DirectoryLoader('./data', glob="**/*.md") docs = loader.load() # 文本分块（每块500字符，重叠50字符） text_splitter = RecursiveCharacterTextSplitter( chunk_size=500, chunk_overlap=50 ) chunks = text_splitter.split_documents(docs) # 生成向量并存储 embeddings = HuggingFaceEmbeddings(model_name="BAAI/bge-small-zh") vector_db = Chroma.from_documents(chunks, embeddings, persist_directory="./chroma_db") ``` #### **步骤3：集成DeepSeek问答链** ```python from langchain.chains import RetrievalQA from langchain.prompts import PromptTemplate # 自定义提示模板 prompt_template = """基于以下上下文回答用户问题： {context} 问题：{question} 答案（简洁中文，不超过3句话）： """ PROMPT = PromptTemplate(template=prompt_template, input_variables=["context", "question"]) # 构建问答系统 qa_chain = RetrievalQA.from_chain_type( llm=model, # 替换为实际DeepSeek实例 chain_type="stuff", retriever=vector_db.as_retriever(), chain_type_kwargs={"prompt": PROMPT} ) # 示例提问 response = qa_chain.run("如何用PyTorch实现线性回归？") print(response) ``` --- ### **3. 优化方向** #### **性能提升** - 使用`FAISS`替代Chroma加速向量检索 - 对高频问题设置缓存层（如Redis） - 量化模型降低推理资源消耗 #### **功能扩展** - 添加自动摘要功能（利用DeepSeek生成章节摘要） - 实现知识图谱可视化（通过NetworkX+PyVis） - 支持语音输入/输出（集成Whisper+GPT-SOVITS） #### **安全增强** - 使用Vault对敏感知识加密 - 设置本地防火墙限制外部访问 - 定期备份向量数据库 --- ### **4. 典型使用场景** 1. **智能检索**： `输入`：自然语言问题（如“2023年AI顶会有哪些趋势？”） `输出`：关联论文笔记+模型生成的整合分析 2. **自动整理**： 上传会议录音 → 自动转写 → DeepSeek提取关键结论 → 生成结构化纪要 3. **灵感辅助**： 输入碎片想法 → 知识库关联已有笔记 → 推荐拓展阅读方向 --- ### **5. 注意事项** - 硬件要求：最低8GB RAM（纯CPU），推荐NVIDIA GPU（16GB显存+） - 中文优化：需使用`bge-zh`等中文专用嵌入模型 - 数据更新：设置文件监视器（如Watchdog）实现增量索引 - 隐私保护：敏感数据建议全程离线处理 --- **完整代码示例**可参考： [DeepSeek-Knowledge-Base GitHub仓库](https://github.com/deepseek-ai/examples)（需官方提供） 通过此方案，可构建具备语义理解能力的个人知识中枢，实现从“信息存储”到“智能洞察”的升级。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

feibaoqq

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值