纯本地 RAG 系统部署详细教程：DeepSeek+BGE+FAISS

qq_283720052026-05-05 23:53

部署流程整体步骤介绍

本次纯本地离线 RAG 系统完整部署，严格遵循环境搭建→依赖安装→本地模型离线下载→项目文件配置→PDF 知识库准备→向量库构建→本地大模型加载→RAG 问答逻辑调试→项目运行测试→问题优化排错十大标准化流程，全程断网可用、无云端 API 调用、无需密钥授权、全程屏蔽运行警告。整体部署逻辑由浅入深、层层递进：先搭建隔离独立的 Python 虚拟运行环境，规避多项目依赖冲突；再批量安装 PDF 解析、文本分割、向量数据库、大模型推理全套依赖库；接着手动下载 DeepSeek 大语言模型、BGE 中文嵌入模型两大核心模型至本地缓存目录，实现全离线加载；随后配置项目路径、离线环境变量、文档读取规则；通过代码完成 PDF 文本提取、长文本智能分割、语义向量化处理、FAISS 本地向量库写入存储；加载本地离线大模型与分词器，封装 RAG 检索 + 大模型生成一体化问答逻辑；最后放入测试 PDF 文档，执行代码完成问答实测，并配套常见报错排查、参数调优、功能扩展方案，零基础可一步步跟着操作落地，全程实操化、代码化、细节化，确保每一步部署均可复现。

前言

在人工智能快速普及的今天，RAG（检索增强生成）技术成为企业和个人搭建私有知识库、实现精准问答的核心方案。但市面上绝大多数 RAG 教程依赖云端 API、需要密钥、存在数据隐私泄露风险，且无法完全离线运行。

本教程基于纯本地部署理念 ，手把手教你搭建一套DeepSeek 本地大模型 + BGE 中文嵌入模型 + FAISS 向量数据库的完整 RAG 系统，全程无 API、无密钥、无网络依赖、无警告报错，支持本地 PDF 文件导入向量库，实现私有数据的精准问答。教程包含环境配置、模型下载、代码解析、实战调试、问题排查全流程，总字数超 5000 字，新手也能零基础完成部署。

一、本地 RAG 系统核心原理与技术栈介绍

1.1 什么是纯本地 RAG？

RAG = 检索（Retrieve）+ 生成（Generate），核心逻辑是：先从本地私有文档中检索与用户问题相关的内容→将检索内容作为上下文输入本地大模型→大模型基于真实文档内容生成精准答案。纯本地 RAG 的核心优势：

  1. 数据绝对安全：所有文档、模型、计算都在本地电脑运行，无数据上传云端；
  2. 无成本依赖：无需购买 API 服务、无需充值，永久免费使用；
  3. 离线可用：断网状态下也能正常运行，不受网络限制；
  4. 无警告无报错：优化环境配置，屏蔽冗余警告，运行稳定。

1.2 本教程技术栈详解

表格

组件 名称 作用
大语言模型 DeepSeek-Coder-1.3B-Instruct 本地轻量级开源大模型，负责理解问题、生成答案，支持中文问答
嵌入模型 BGE-Small-ZH-v1.5 中文最优轻量级嵌入模型，将文本转换为向量，用于语义检索
向量数据库 FAISS Facebook 开源本地向量库，存储文档向量、快速检索相似内容
文档处理 PyPDF 解析本地 PDF 文件，提取文本内容
文本分割 LangChain 拆分长文本为小片段，适配向量库存储和模型输入
运行环境 Python+Torch 核心运行环境，支持模型加载与推理

1.3 硬件要求（零基础友好）

本教程选用轻量级模型，低配电脑也能流畅运行：

  • 最低配置：CPU（i5-8 代以上）+ 8G 内存；
  • 推荐配置：CPU（i7-10 代以上）+ 16G 内存；
  • 无显卡要求：全程 CPU 运行，无需 NVIDIA 显卡，不依赖 CUDA。

二、环境准备：Python 与依赖库安装

2.1 Python 环境安装

本教程基于 Python 3.10（稳定兼容版，推荐新手使用），步骤如下：

  1. 打开 Python 官网：https://www.python.org/downloads/release/python-3100/；
  2. 下载对应系统的安装包（Windows 选 Windows installer，Mac 选 macOS installer）；
  3. 安装时务必勾选 Add Python to PATH（自动配置环境变量）；
  4. 安装完成后，打开 CMD / 终端，输入命令验证：

bash

运行

复制代码 
python --version

出现Python 3.10.x即安装成功。

2.2 创建虚拟环境（推荐，避免依赖冲突）

虚拟环境可以隔离不同项目的依赖库，是 Python 开发的最佳实践：

bash

运行

python 复制代码 
# 1. 创建项目文件夹（自定义名称，如LocalRAG）
mkdir LocalRAG
cd LocalRAG

# 2. 创建虚拟环境（env为环境名称，可自定义）
python -m venv env

# 3. 激活虚拟环境
# Windows系统CMD命令：
env\Scripts\activate
# Windows系统PowerShell命令：
.\env\Scripts\Activate.ps1
# Mac/Linux系统命令：
source env/bin/activate

激活成功后，命令行前缀会出现(env)标识。

2.3 安装核心依赖库

虚拟环境激活后，逐行执行以下命令安装所有必需库，全程保持网络通畅（仅安装依赖时需要网络，模型下载后可断网运行）：

bash

运行

python 复制代码 
# 1. 安装PyTorch（CPU版本，无显卡专用）
pip install torch==2.1.0 --index-url https://download.pytorch.org/whl/cpu

# 2. 安装PDF解析库
pip install pypdf==4.0.1

# 3. 安装LangChain生态（文本分割+向量库集成）
pip install langchain==0.1.12
pip install langchain-community==0.0.28

# 4. 安装HuggingFace库（模型加载核心）
pip install transformers==4.37.2
pip install huggingface-hub==0.20.2

# 5. 安装FAISS向量数据库（CPU版本）
pip install faiss-cpu==1.7.4

# 6. 安装BGE嵌入模型依赖
pip install sentence-transformers==2.2.2

2.4 依赖安装验证

执行以下命令，无报错即安装成功：

bash

运行

复制代码 
python -c "import torch; import pypdf; import langchain; import transformers; import faiss; print('所有依赖安装成功！')"

三、本地模型下载（核心步骤：离线运行关键）

本系统需要下载两个模型 ：DeepSeek 大模型（生成答案）、BGE 嵌入模型（文本向量化），必须提前下载到本地，才能实现纯离线运行。

3.1 模型下载统一规则

  1. 所有模型必须下载到本地固定目录 ，推荐路径：
    • Windows：C:\Users\你的用户名\.cache\huggingface\hub
    • Mac/Linux：~/.cache/huggingface/hub
  2. 下载方式：使用 HuggingFace 官方工具下载，确保模型文件完整；
  3. 下载完成后，代码中配置本地路径，实现离线加载。

3.2 下载 BGE 嵌入模型（BAAI/bge-small-zh-v1.5）

轻量级中文嵌入模型，体积小、速度快、精度高，步骤：

  1. 打开 CMD / 终端，执行下载命令：

bash

运行

python 复制代码 
huggingface-cli download BAAI/bge-small-zh-v1.5 --local-dir C:\Users\Administrator\.cache\huggingface\hub\BAAI--bge-small-zh-v1.5 --local-dir-use-symlinks False
  1. 等待下载完成，模型大小约 100MB，速度极快；
  2. 验证文件：打开上述路径，包含pytorch_model.bin、config.json等文件即成功。

3.3 下载 DeepSeek 大模型（deepseek-ai/deepseek-coder-1.3b-instruct）

1.3B 参数轻量级大模型，支持中文问答，CPU 可流畅运行，步骤：

  1. 执行下载命令（路径与嵌入模型保持一致）：

bash

运行

复制代码 
huggingface-cli download deepseek-ai/deepseek-coder-1.3b-instruct --local-dir C:\Users\Administrator\.cache\huggingface\hub\deepseek-ai--deepseek-coder-1.3b-instruct --local-dir-use-symlinks False
  1. 模型大小约 2.6GB，耐心等待下载完成；
  2. 验证文件：目录下包含model.safetensors、tokenizer_config.json等文件即成功。

3.4 模型路径统一配置

本教程统一使用 Windows 路径，如果你的用户名不是 Administrator，必须修改路径！示例：你的用户名为 Tom，路径改为：

plaintext

复制代码 
C:\Users\Tom\.cache\huggingface\hub

后续代码中CACHE_DIR参数必须与实际路径一致。

四、实战代码编写：完整 RAG 系统代码 + 逐行注释

在LocalRAG项目文件夹下，新建local_rag.py文件，将以下完整代码复制进去，我已对每一行核心代码添加详细注释，新手也能完全理解。

python

运行

python 复制代码 
# ==============================================
# 纯本地RAG系统：DeepSeek+BGE+FAISS 无API无Key全离线
# 功能：读取本地test.pdf → 构建向量库 → 本地大模型精准问答
# ==============================================
# 导入系统模块：操作系统、警告、PyTorch深度学习框架
import os
import warnings
import torch
# 导入PDF解析工具：提取本地PDF文本内容
from pypdf import PdfReader

# ===================== 离线环境强制配置（核心：禁止联网、屏蔽警告） =====================
# TRANSFORMERS_OFFLINE=1：强制Transformers库离线运行，不联网加载模型
os.environ["TRANSFORMERS_OFFLINE"] = "1"
# 关闭Tokenizer并行，避免多线程报错
os.environ["TOKENIZERS_PARALLELISM"] = "false"
# HF_HUB_OFFLINE=1：强制HuggingFace Hub离线，不联网下载模型
os.environ["HF_HUB_OFFLINE"] = "1"
# 屏蔽所有冗余警告，保证运行界面整洁
warnings.filterwarnings("ignore")

# ===================== 导入LangChain核心组件 =====================
# 递归文本分割器：拆分长文本为小片段，适配向量库存储
from langchain.text_splitter import RecursiveCharacterTextSplitter
# FAISS本地向量数据库：存储文档向量、快速检索
from langchain_community.vectorstores import FAISS
# BGE嵌入模型封装：将文本转换为向量
from langchain_community.embeddings import HuggingFaceBgeEmbeddings
# 文档对象：封装PDF提取的文本内容
from langchain.schema import Document
# HuggingFace模型加载工具：加载本地大模型
from transformers import AutoTokenizer, AutoModelForCausalLM

# ===================== 路径&模型配置（新手必改：修改为你的本地路径） =====================
# 模型缓存目录：必须与你下载模型的路径完全一致！
CACHE_DIR = r"C:\Users\Administrator\.cache\huggingface\hub"
# DeepSeek大模型名称：与下载的模型名称一致
MODEL_NAME = "deepseek-ai/deepseek-coder-1.3b-instruct"
# BGE嵌入模型名称：与下载的模型名称一致
EMBEDDING_MODEL = "BAAI/bge-small-zh-v1.5"
# PDF文件路径：将你的PDF文件重命名为test.pdf，放在代码同目录下
PDF_PATH = "test.pdf"

# 系统启动欢迎界面
print("=" * 70)
print("🤖 本地DeepSeek RAG | 自动加载 test.pdf 知识库")
print("无API · 无Key · 纯本地 · 无警告")
print("=" * 70)

# ===================== 核心函数1：读取PDF文件，提取文本内容 =====================
def load_pdf_to_docs(pdf_path):
    """
    功能：解析本地PDF文件，提取所有页面文本，封装为Document对象
    参数：pdf_path - PDF文件路径
    返回值：Document列表，包含PDF全部文本内容
    """
    # 初始化PDF读取器
    reader = PdfReader(pdf_path)
    # 定义空字符串，存储PDF所有文本
    full_text = ""
    # 遍历PDF所有页面
    for page in reader.pages:
        # 提取当前页面文本
        text = page.extract_text()
        # 如果页面有文本，追加到总文本中
        if text:
            full_text += text + "\n"
    # 返回封装后的文档对象（LangChain标准格式）
    return [Document(page_content=full_text)]

# 调用函数，加载本地PDF文档
print(f"\n📄 正在读取 {PDF_PATH} ...")
documents = load_pdf_to_docs(PDF_PATH)
print(f"✅ PDF解析完成，已加载文档内容")

# ===================== 核心步骤2：文本分割 + 构建FAISS向量库 =====================
# 初始化文本分割器：将长文本拆分为小片段
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=300,        # 每个文本片段最大长度：300字符
    chunk_overlap=50,      # 片段重叠长度：50字符（保证语义连贯）
    separators=["\n\n", "\n", "。", "，", " "]  # 分割符：按段落、换行、标点分割
)
# 执行文本分割：将PDF长文本拆分为多个小片段
chunks = text_splitter.split_documents(documents)

# 初始化BGE嵌入模型：加载本地嵌入模型，CPU运行
embeddings = HuggingFaceBgeEmbeddings(
    model_name=EMBEDDING_MODEL,    # 嵌入模型名称
    model_kwargs={"device": "cpu"},# 运行设备：CPU
    cache_folder=CACHE_DIR         # 模型本地缓存路径
)

# 核心：将文本片段转换为向量，存入FAISS向量库
db = FAISS.from_documents(chunks, embeddings)
# 初始化检索器：设置检索数量k=3（返回最相关的3个文本片段）
retriever = db.as_retriever(search_kwargs={"k": 3})
print("✅ PDF内容已写入FAISS向量库")

# ===================== 核心步骤3：加载本地DeepSeek大模型 =====================
print("\n🧠 加载本地已安装的 DeepSeek 模型...")
# 加载Tokenizer：文本编码器，将文字转换为模型可识别的数字
tokenizer = AutoTokenizer.from_pretrained(
    MODEL_NAME,            # 大模型名称
    cache_dir=CACHE_DIR,   # 本地模型路径
    local_files_only=True, # 强制离线加载，不联网
    trust_remote_code=True # 信任模型自定义代码
)
# 关键修复：设置填充标记，消除模型警告
tokenizer.pad_token = tokenizer.eos_token

# 加载DeepSeek大模型：本地离线加载，CPU运行
model = AutoModelForCausalLM.from_pretrained(
    MODEL_NAME,            # 大模型名称
    cache_dir=CACHE_DIR,   # 本地模型路径
    local_files_only=True, # 强制离线加载
    trust_remote_code=True,
    torch_dtype=torch.float32  # 数据类型：CPU专用float32
)
# 设置模型为评估模式：关闭训练，加速推理
model.eval()
print("✅ 本地模型加载成功！")

# ===================== 核心函数2：RAG智能问答函数 =====================
def ask(question):
    """
    功能：RAG核心问答函数，检索+生成一体化
    参数：question - 用户问题
    返回值：基于PDF内容的精准答案
    """
    # 1. 检索阶段：从FAISS向量库召回与问题相关的文本片段
    docs = retriever.invoke(question)
    # 拼接所有检索到的内容，作为模型上下文
    context = "\n".join([d.page_content for d in docs])

    # 2. 构造提示词（Prompt）：约束模型严格基于文档回答，禁止编造
    prompt = f"""你是专业问答助手，严格只根据参考文档内容回答，禁止编造、禁止无关内容。
参考文档内容：
{context}

用户问题：{question}
精准回答："""

    # 3. 生成阶段：将提示词编码为模型输入
    inputs = tokenizer(prompt, return_tensors="pt")
    # 关闭梯度计算，加速推理
    with torch.no_grad():
        # 模型生成答案
        outputs = model.generate(
            **inputs,
            max_new_tokens=300,    # 最大生成300个字符
            temperature=0.1,       # 温度系数：越低越精准，0.1为最优
            do_sample=False,       # 关闭随机采样，保证答案稳定
            pad_token_id=tokenizer.pad_token_id,
            eos_token_id=tokenizer.eos_token_id
        )
    # 解码模型输出，转换为人类可读的文字
    full_ans = tokenizer.decode(outputs[0], skip_special_tokens=True)
    # 去除提示词，仅保留答案内容
    return full_ans.replace(prompt, "").strip()

# ===================== 系统测试：运行RAG问答 =====================
if __name__ == "__main__":
    # 测试问题：修改为你的PDF文件中的问题！
    q = "迟到10分钟扣多少钱？"
    print(f"\n📝 问题：{q}")
    # 调用问答函数，获取答案
    ans = ask(q)
    # 打印AI回答
    print(f"🤖 AI回答：{ans}")

五、实战运行：本地 RAG 系统启动步骤

5.1 准备测试 PDF 文件

  1. 在LocalRAG项目文件夹下，新建一个 PDF 文件，重命名为test.pdf；
  2. 在 PDF 中写入测试内容（方便验证效果），示例内容：

plaintext

复制代码 
公司考勤制度
1. 迟到1-10分钟，不扣除工资；
2. 迟到11-30分钟，扣除半天工资；
3. 迟到30分钟以上，扣除全天工资；
4. 早退按照迟到同等标准处罚。
  1. 保存 PDF 文件，确保与local_rag.py代码文件在同一目录。

5.2 运行 RAG 系统

  1. 打开 CMD / 终端，进入LocalRAG项目文件夹，激活虚拟环境；
  2. 执行运行命令：

bash

运行

复制代码 
python local_rag.py

5.3 运行结果解读

正常运行会输出以下内容，无任何警告、报错、联网请求：

plaintext

复制代码 
======================================================================
🤖 本地DeepSeek RAG | 自动加载 test.pdf 知识库
无API · 无Key · 纯本地 · 无警告
======================================================================

📄 正在读取 test.pdf ...
✅ PDF解析完成，已加载文档内容
✅ PDF内容已写入FAISS向量库

🧠 加载本地已安装的 DeepSeek 模型...
✅ 本地模型加载成功！

📝 问题：迟到10分钟扣多少钱？
🤖 AI回答：迟到10分钟不扣除工资。

✅ 运行成功标志：模型基于 PDF 内容生成精准答案，无任何报错！

六、进阶实战：自定义修改与功能扩展

6.1 修改 PDF 文件与问题

  1. 替换test.pdf为你的私有文档（合同、制度、笔记、书籍等）；
  2. 修改代码中最后部分的测试问题，适配你的文档内容：

python

运行

复制代码 
# 示例：修改为你的问题
q = "这份合同的签订日期是哪天？"
q = "产品的保修期限是多久？"
  1. 重新运行代码，即可实现私有文档的精准问答。

6.2 调整文本分割参数（优化检索精度）

如果发现检索内容不精准，可以调整文本分割器参数：

python

运行

python 复制代码 
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,    # 增大片段长度，适合长文本
    chunk_overlap=100, # 增大重叠长度，保证语义完整
    separators=["\n\n", "\n", "。", "，", " "]
)

6.3 调整模型生成参数（优化答案效果）

修改ask函数中的生成参数，适配不同场景：

python

运行

python 复制代码 
outputs = model.generate(
    **inputs,
    max_new_tokens=500,  # 增大生成长度，适合长答案
    temperature=0.0,     # 0.0：完全精准，无随机；0.3：轻微灵活
    do_sample=False,
    pad_token_id=tokenizer.pad_token_id,
    eos_token_id=tokenizer.eos_token_id
)

6.4 循环问答模式（持续对话）

将测试代码修改为循环模式，实现一次启动、多次问答：

python

运行

python 复制代码 
if __name__ == "__main__":
    print("\n🎉 本地RAG系统已启动，输入问题即可问答，输入exit退出！")
    while True:
        q = input("\n请输入你的问题：")
        if q.lower() == "exit":
            print("👋 系统已退出！")
            break
        ans = ask(q)
        print(f"🤖 AI回答：{ans}")

运行后可连续提问，无需重复加载模型，效率大幅提升。

七、常见问题排查（新手必看）

7.1 模型加载报错：找不到本地文件

报错原因 ：CACHE_DIR路径与模型实际下载路径不一致；解决方案：

  1. 打开模型下载目录，复制完整路径；
  2. 替换代码中CACHE_DIR参数，Windows 路径前加r，避免转义字符；
  3. 检查模型名称是否正确：deepseek-ai/deepseek-coder-1.3b-instruct。

7.2 PDF 读取报错：文件不存在

报错原因 ：test.pdf未放在代码同目录，或文件名错误；解决方案：

  1. 确认 PDF 文件名严格为test.pdf（大小写一致）；
  2. 确认 PDF 与local_rag.py在同一文件夹下；
  3. 检查 PDF 是否损坏，重新保存即可。

7.3 运行卡顿：CPU 占用过高

解决方案：

  1. 关闭其他占用内存的软件；
  2. 降低chunk_size参数（如 200），减少向量计算量；
  3. 本教程为 CPU 版本，属于正常现象，轻量级模型已做最大优化。

7.4 模型警告：pad_token 未设置

解决方案 ：代码中已添加tokenizer.pad_token = tokenizer.eos_token，确保这行代码未被删除。

7.5 离线运行报错：强制联网

解决方案：确认代码开头的离线环境配置完整：

python

运行

复制代码 
os.environ["TRANSFORMERS_OFFLINE"] = "1"
os.environ["HF_HUB_OFFLINE"] = "1"

八、纯本地 RAG 系统优势总结

  1. 极致隐私：所有数据、模型、计算都在本地，无任何数据外泄风险；
  2. 零成本：无需 API 密钥、无需付费、无需充值，永久免费使用；
  3. 全离线：模型下载完成后，断网状态下可永久运行；
  4. 轻量高效：CPU 即可运行，低配电脑无压力，启动速度快、问答延迟低；
  5. 精准可靠：基于私有文档检索回答，杜绝大模型幻觉，答案 100% 基于真实内容；
  6. 易扩展：支持替换任意本地大模型、任意文档格式、任意向量库，适配所有场景。

九、后续优化方向

  1. GPU 加速 ：如果有 NVIDIA 显卡，可修改device="cuda"，实现 10 倍加速；
  2. 模型升级：替换为更大参数的本地大模型（如 DeepSeek-7B），提升问答能力；
  3. 文档扩展：支持 Word、TXT、Excel、图片等多种格式文档；
  4. 界面优化：集成 Gradio/Streamlit，搭建可视化网页界面，无需命令行操作；
  5. 向量库持久化：保存 FAISS 向量库到本地，无需每次重新构建。

十、结语

本教程从零开始，完成了纯本地 RAG 系统的全流程部署，从环境安装、模型下载、代码编写、实战运行到问题排查，覆盖所有新手痛点。这套系统完全满足个人和小型企业的私有知识库问答需求，真正实现了「无 API、无 Key、纯本地、无警告」的理想状态。

RAG 技术是 AI 落地的核心方向，纯本地部署更是未来数据安全的必然趋势。掌握本教程后，你可以基于此框架自由扩展功能，适配办公、学习、研发、管理等各类场景，打造属于自己的私有 AI 助手。

关键核心回顾

  1. 核心技术栈：DeepSeek 本地大模型 + BGE 嵌入 + FAISS 向量库，CPU 可流畅运行；
  2. 离线关键：强制配置TRANSFORMERS_OFFLINE=1，提前下载模型到本地；
  3. 运行核心：PDF 解析→文本分割→向量构建→检索生成；
  4. 优势：数据安全、零成本、全离线、精准无幻觉。
相关推荐
狐狐生风2 天前
LangChain 向量存储：Chroma、FAISS
人工智能·python·学习·langchain·faiss·agentai
Muyuan19982 天前
27.RAG 系统中的上下文充分性判断：从 Chunk 数量、FAISS 距离到 LLM Relevance Gate
python·django·pdf·fastapi·faiss
chushiyunen7 天前
faiss向量检索库(并非向量数据库)
数据库·faiss
AI木马人9 天前
8.【向量数据库深度对比】Milvus vs FAISS vs Pinecone（真实项目选型指南）
数据库·milvus·faiss
竹之却20 天前
【Agent-阿程】AI先锋杯·14天征文挑战第14期-第6天-大模型RAG检索增强生成实战
人工智能·大模型·检索增强·faiss·rag
guslegend22 天前
第9节：FAISS，HNSW还是BM25？如何选择最适合业务的向量检索引擎？如何选择最适合业务的向量检索引擎
人工智能·大模型·faiss·rag
weisian15122 天前
进阶篇-LangChain篇-10--向量数据库选型指南：本地FAISS, Chroma与云原生方案
数据库·langchain·faiss·向量数据库·chroma
森森-曦1 个月前
在复现overlaptranformer论文中，进行库faiss安装的，解决方案。
faiss
liliangcsdn1 个月前
如何使用向量库faiss和LLM判断问题是否被记录
人工智能·全文检索·faiss
热门推荐
01要裂开了！ChatGPT要手机号验证了？注册Codex要求验证电话号码怎么办？2026年登陆Codex要手机号验证的解决办法02GitHub 镜像站点03Codex 接入 DeepSeek API 完整配置文档04零基础教你claude code 接入 deepseek V405【AI】2026 年具身智能模型和世界模型总结06裂开！ChatGPT 居然开始要手机号验证，附详细解决方法07几个好用的ip纯净度检测网站08CC-Switch & Claude 基于 Linux 服务器安装使用指南092026年AI前瞻：量子AI、具身智能与科学发现的新纪元10在Windows 11上安装Docker的踩坑记录