从零开始：使用DeepSeek-R1 实现高效的本地 RAG

有小伙伴私信我，DeepSeek-R1能用来搭建 RAG（检索增强生成）系统吗？答案是绝对可以！

春节前夕，我们接到了业务方的紧急任务，需要探讨如何将 DeepSeek-R1 快速集成到即将上线的项目中。经过多次深入讨论，我们团队决定在现有 RAG 系统的一个核心模块中使用 DeepSeek-R1，与原有的 Qwen 模型进行线上AB测试。更换完成后，我们对系统进行了一系列严格的测试，以确保其稳定运行。在经过彻底验证后，我们成功地在除夕之夜将系统上线。

鉴于所处理数据的敏感性，本文将详尽介绍如何使用DeepSeek-R1、LangChain、Ollama和Streamlit搭建一个本地的、专门处理PDF文件的RAG系统。这套系统利用LangChain的模块化特点和DeepSeek-R1的隐私保护能力，非常适合处理技术文档、法律文件及学术资料等。在后续的分享中，我将详细介绍如何利用 DeepSeek-R1 对系统进行Fine-tuning和优化的过程。

此项目整合了 LangChain（一种用于 RAG 工作流程的 AI 框架）、Ollama（负责 DeepSeek-R1 的本地部署）和 Streamlit（提供用户界面）。最终成品是一个 AI 助手，它能在本地处理 PDF 文件，并以高精确度和速度回答问题。

在此次演示中，我们将使用一个参数为 7B 的 DeepSeek-R1 精简模型。但如果你的计算资源更充足，我建议尝试使用其他版本的 DeepSeek-R1 精简模型。

为什么选择本地部署的 RAG 解决方案？

虽然云端 AI 解决方案功能强大，但它们往往涉及到隐私和成本问题。使用 LangChain 的模块化框架，你可以在本地搭建一个 RAG 系统，这样做有几大优点：

数据隐私：所有的操作都在你自己的设备上完成，数据安全得到保障。
成本效率：避免了昂贵的 API 订阅费用，这个方案不仅免费还是开源的。
高度定制化：你可以根据需要调整文档检索和回答生成的具体流程。
强大的 AI 能力：整合了 DeepSeek-R1，这是一款专为解决复杂问题和技术任务而设计的模型。

所用工具和技术：LangChain, DeepSeek-R1, Ollama, ChromaDB 和 Streamlit

这个项目涵盖了以下几个部分：

LangChain：这是构建 RAG 工作流程的核心框架，支持集成文档加载、向量存储和大型语言模型（LLM）。它的模块化设计让你可以根据具体需求进行调整。
DeepSeek-R1：一种专为编程、问题解决和技术任务优化的推理型语言模型。它提供了多种本地部署的版本，可通过 Ollama 轻松部署。
Ollama：一个命令行工具，用于简化本地大型语言模型和嵌入模型（如 DeepSeek-R1 和 mxbai-embed-large）的部署与管理。
ChromaDB：一个向量数据库，能存储和检索文档向量，方便进行基于相似性的快速查询。
Streamlit：一个 Python 库，用于创建易于操作的 Web 用户界面，使你的 RAG 应用更加用户友好，易于使用。

构建 RAG 工作流：分步指南

以下是如何设置你的本地 ChatPDF 解决方案：

1. 安装先决条件

确保你已经安装了 Python 3.8+ 和Ollama。运行以下命令：

bash 复制代码

curl -fsSL https://ollama.com/install.sh | sh
ollama -v  # 验证安装

下载所需的 AI 模型：

bash 复制代码

ollama pull deepseek-r1:latest # 默认 7B 模型
ollama pull mxbai-embed-large  # 嵌入模型

2. 项目设置

克隆仓库并设置虚拟环境：

bash 复制代码

git clone https://github.com/paquino11/chatpdf-rag-deepseek-r1.git
cd chatpdf-rag-deepseek-r1
python3 -m venv venv
source venv/bin/activate

安装依赖：

pip install -r requirements.txt

3. 启动Streamlit

启动 Streamlit 应用：

arduino 复制代码

streamlit run app.py

在浏览器中访问http://localhost:8501。上传你的 PDF 文件，调整检索设置，开始提问。

使用 DeepSeek-R1、Ollama、LangChain 和 ChromaDB 构建 RAG 管道

这个项目我将利用 LangChain 来从零开始搭建的文档处理流程：

PDF 文件的处理:
- 利用 LangChain 读取 PDF 文件，并将其分割成小块。
- 使用 Ollama 将这些小块转换成向量形式，便于计算机理解和处理。
文档的查找:
- 通过 ChromaDB 这个工具，快速找到与你问题最相关的文档部分。
- 你可以设置想要查找的结果数量和查找的严格程度。
生成回答:
- DeepSeek-R1 会拿到这些相关的文档小块，然后生成准确的回答。
- LangChain 确保这些回答格式对用户友好，易于理解。

调整设置以获得更好的结果

LangChain 允许你轻松调整设置，以优化搜索结果：

检索结果数量（k） ：这个参数决定了将使用多少文档片段来生成答案。如果设置的数目较多，可以获得更全面的答案，但响应时间会变慢；如果设置的数目较少，响应速度会加快，但可能因信息不足而影响答案的全面性。
相似度阈值（score_threshold） ：这个参数用于设定检索时的匹配严格度。阈值设定得高，只有最相关的文档片段才会被检索出来；阈值设定得低，虽然能检索到更多的信息，但可能会包括一些相关性不高的内容。

如何使用和测试你的 RAG 应用

这里介绍几种常见的场景，帮助你测试你的应用程序：

测试用的 PDF 文件：

金融：分析财务报告，挖掘出可实施的商业见解。
医疗保健：总结医学研究论文或指南，提取关键信息。
教育：从电子书和学术论文中提取摘要或主要观点。

示例问题：

"这个 Python 库的核心功能有哪些？"
"这份合同的第五部分主要讨论了什么内容？"
"简要概述这本电子书的第二章。"

结论

结合 LangChain、DeepSeek-R1 和 ChromaDB 的使用，你可以构建一个重视隐私保护、灵活性和成本效率的 RAG 系统。这种本地化的解决方案非常适用于分析技术性文件和法律文件，无需依赖于云服务。如此一来，你便可以在完全控制数据安全的环境下，有效地处理和分析专业文档。