前言

因为之前一直关注langchain，现在DeepSeek又非常的火爆，所以尝试在langchain项目中使用DeepSeek。

我在查询资料时，发现国外小哥已经提供了一套开源代码。于是本着图省事儿的原则，我立即下载并使用了这套代码，它基于DeepSeek-R1、LangChain 和 Ollama 搭建了一个隐私优先的检索增强生成（RAG）系统的文章。

按照步骤进行操作，亲测好用，分享给小伙伴们！

先看效果：

什么是 RAG ？

赘述一下基本概念，检索增强生成（Retrieval-Augmented Generation，简称 RAG）是一种结合信息检索和生成式 AI 的技术架构。RAG 通过从外部知识库（如文档、数据库）中检索相关信息，并将其作为上下文输入给 LLM（大型语言模型），从而提高回答的准确性，减少幻觉问题。

我们的目标是在本地运行一个 RAG 系统，能够处理 PDF 文档，保障数据隐私，并能高效回答与文档内容相关的问题。当然，通过修改代码，我们也可以实现处理其他类型的数据。

所需技术栈

本文使用了多个开源工具和框架：

• LangChain：用于管理 RAG 工作流，支持文档加载、向量存储、检索和 LLM 交互。

• DeepSeek-R1：众所周知，最近很火出圈的国产大语言模型。

• Ollama：一个简化本地 LLM 部署的工具，支持 DeepSeek-R1 等多个模型，方便、快捷。

• ChromaDB：用于存储和检索文本向量的数据库，支持高效的相似度搜索。

• Streamlit：一个简单易用的 Python Web 框架，用于构建交互式用户界面。

使用过程

1、安装必要的工具

首先，确保你已经安装了 Python 3.8+，然后安装 Ollama：

curl -fsSL https://ollama.com/install.sh | sh   

然后在命令行中使用下面的命令下载 DeepSeek-R1 模型和 mxbai-embed-large 词向量模型：

ollama pull deepseek/deepseek-r1
ollama pull mxbai-embed-large

2、设置 Python 项目环境

克隆 GitHub 仓库并安装依赖：

git clone https://github.com/paquino11/chatpdf-rag-deepseek-r1
cd chatpdf-rag-deepseek-r1
python -m venv venv
source venv/bin/activate  # Windows 用户使用 `venv\Scripts\activate`
pip install -r requirements.txt

**提示：**如果遇到类似的错误提示
note: This error originates from a subprocess, and is likely not a problem with pip.
ERROR: Failed building wheel for pyarrow
可以使用下面的命令升级pip后尝试

python3 -m pip install --upgrade pip   

3、运行应用

按照步骤2操作完成后，我们就可以启动项目了，启动命令

streamlit run app.py   

因为我使用的模型和代码中使用的模型不一致，所以这里我首先要修改一下模型名称，打开项目源码文件rag.py，修改模型名称为deepseek-r1:1.5b，同理我们也可以修改embedding模型：

def __init__(self, llm_model: str = "deepseek-r1:1.5b", embedding_model: str = "mxbai-embed-large"):   

启动结果：

启动后，一般会自动打开浏览器页面，如果没有自动打开浏览器，也可以手动访问：http://localhost:8501

应用功能介绍

• PDF 文档上传

支持用户上传 PDF 文档，系统会自动解析并向量化存储。

• 查询系统

用户输入问题，系统会从向量数据库中检索相关段落，并结合 LLM 生成回答。

• 数据隐私保障

所有处理过程均在本地完成，数据不会上传到云端，确保敏感信息安全。

源码解析

我们简单分析一下源码，其核心代码rag.py解析如下

1、初始化 ChatPDF 类

def __init__(self, llm_model: str = "deepseek-r1:latest", embedding_model: str = "mxbai-embed-large"):   

• 加载 LLM 和 Embeddings：

• ChatOllama：使用 DeepSeek-R1 进行问答。

• OllamaEmbeddings：使用 mxbai-embed-large 计算文本向量。

• 文本拆分：

• RecursiveCharacterTextSplitter 以 1024 字符块 分割文档，100 字符重叠 避免信息丢失。

• 提示词模板：

• 规定 LLM 需基于 检索到的上下文 生成 三句话内 的答案。

• 向量数据库（Chroma）：

• 用于存储文档嵌入，并支持检索。

2、文档摄取（Ingest）

def ingest(self, pdf_file_path: str):   

• 使用 PyPDFLoader 解析 PDF 文档

• self.text_splitter.split_documents(docs) 进行文本分块

• Chroma.from_documents() 计算 嵌入向量 并存储到 chroma_db 目录

3、问答（Ask）

def ask(self, query: str, k: int = 5, score_threshold: float = 0.2):   

• 检索相关内容：

• 使用 Chroma 向量数据库，以 相似度搜索 筛选 相关文本块（默认 k=5，阈值 0.2）

• 调用 RAG 处理链：

• RunnablePassthrough() 直接传递输入数据。

• self.prompt 处理查询上下文格式化。

• self.model 调用 LLM 生成答案。

• StrOutputParser() 解析 LLM 输出，返回最终答案。

---

如何学习AI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。

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高

那么针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）]()👈

学习路线

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。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 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。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓