前言

本教程将详细介绍如何利用 DeepSeek R1 和 Ollama 构建本地化的 RAG（检索增强生成）应用。

我们将通过实例演示完整的实现流程，包括文档处理、向量存储、模型调用等关键步骤。

本教程选用 DeepSeek-R1 1.5B 作为基础语言模型。

考虑到不同模型具有各自的特点和性能表现，读者可以根据实际需求选择其他合适的模型来实现 RAG 系统。

前期准备

首先，我们需要下载 Ollama 以及配置相关环境。

Ollama 的 GitHub仓库 （https://github.com/ollama/ollama）中提供了详细的说明，简单总结如下:

Step1：下载 Ollama

下载（https://ollama.com/download）并双击运行 Ollama 应用程序。

Step2：验证安装

在命令行输入 ollama，如果出现以下信息，说明 Ollama 已经成功安装。

Step3：拉取模型

• 从命令行，参考 Ollama 模型列表 （https://ollama.com/library）和 文本嵌入模型列表 （https://python.langchain.com/v0.2/docs/integrations/text_embedding/）拉取模型。在该教程中，我们以 deepseek-r1:1.5b 和 nomic-embed-text 为例:

• 命令行输入 ollama pull deepseek-r1:1.5b，拉取通用的开源大语言模型 deepseek-r1:1.5b；（拉取模型时，可能比较缓慢。如果出现拉取错误，可以重新输入指令拉取）

• 命令行输入 ollama pull nomic-embed-text 拉取 文本嵌入模型 （https://ollama.com/search?c=embedding）nomic-embed-text。

• 当应用运行时，所有模型将自动在 localhost:11434 上启动。

• 注意，你的模型选择需要考虑你的本地硬件能力，该教程的参考显存大小 CPU Memory > 8GB。

Step4：部署模型

命令行窗口运行以下命令，部署模型。

ollama run deepseek-r1:1.5b

也可以从命令行直接运行部署模型，例如 ollama run deepseek-r1:1.5b。

---

注意如果只想使用 Ollama 部署 DeepSeek R1 模型则无需进行以下步骤。

Step5：安装依赖

# langchain\_community  
pip install langchain langchain\_community  
  
# Chroma  
pip install langchain\_chroma  
  
# Ollama  
pip install langchain\_ollama

---

完成前期准备工作后，让我们开始逐步构建基于 LangChain、Ollama 和 DeepSeek R1 的本地 RAG 应用。下面将详细介绍具体实现步骤。

本地 RAG 应用实现

1. 文档加载

加载 PDF 文档并将其切分为适当大小的文本块。

from langchain\_community.document\_loaders import PDFPlumberLoader  
  
file = "DeepSeek\_R1.pdf"  
  
# Load the PDF  
loader = PDFPlumberLoader(file)  
docs = loader.load()  
  
from langchain.text\_splitter import RecursiveCharacterTextSplitter  
text\_splitter = RecursiveCharacterTextSplitter(chunk\_size=500, chunk\_overlap=0)  
all\_splits = text\_splitter.split\_documents(docs)

2. 初始化向量存储

使用 Chroma 数据库存储文档向量，并配置 Ollama 提供的嵌入模型。

from langchain\_chroma import Chroma  
from langchain\_ollama import OllamaEmbeddings  
  
local\_embeddings = OllamaEmbeddings(model="nomic-embed-text")  
  
vectorstore = Chroma.from\_documents(documents=all\_splits, embedding=local\_embeddings)

3. 构建 Chain 表达式

设置模型和提示模板，构建处理链。

from langchain\_core.output\_parsers import StrOutputParser  
from langchain\_core.prompts import ChatPromptTemplate  
from langchain\_ollama import ChatOllama  
  
model = ChatOllama(  
    model="deepseek-r1:1.5b",  
)  
  
prompt = ChatPromptTemplate.from\_template(  
    "Summarize the main themes in these retrieved docs: {docs}"  
)  
  
# 将传入的文档转换成字符串的形式  
def format\_docs(docs):  
    return "\\n\\n".join(doc.page\_content for doc in docs)  
  
  
chain = {"docs": format\_docs} | prompt | model | StrOutputParser()  
  
question = "What is the purpose of the DeepSeek project?"  
  
docs = vectorstore.similarity\_search(question)  
  
chain.invoke(docs)

4. 带有检索的 QA

整合检索和问答功能。

from langchain\_core.runnables import RunnablePassthrough  
  
RAG\_TEMPLATE = """  
You are an assistant for question-answering tasks. Use the following pieces of retrieved context to answer the question. If you don't know the answer, just say that you don't know. Use three sentences maximum and keep the answer concise.  
  
<context>  
{context}  
</context>  
  
Answer the following question:  
  
{question}"""  
  
rag\_prompt = ChatPromptTemplate.from\_template(RAG\_TEMPLATE)  
  
retriever = vectorstore.as\_retriever()  
  
qa\_chain = (  
    {"context": retriever | format\_docs, "question": RunnablePassthrough()}  
    | rag\_prompt  
    | model  
    | StrOutputParser()  
)  
  
question = "What is the purpose of the DeepSeek project?"  
  
# Run  
qa\_chain.invoke(question)

总结

本教程详细介绍了如何使用 DeepSeek R1 和 Ollama 构建本地化的 RAG 应用系统。我们通过四个主要步骤实现了完整的功能：

1. 文档处理：使用 PDFPlumberLoader 加载 PDF 文档，并通过 RecursiveCharacterTextSplitter 将文本切分成适当大小的块。

2. 向量存储：利用 Chroma 数据库和 Ollama 的嵌入模型建立向量存储系统，为后续的相似度检索提供基础。

3. Chain 构建：设计并实现处理链，将文档处理、提示模板和模型响应整合成流程化的处理过程。

4. RAG 实现：通过整合检索和问答功能，实现了完整的检索增强生成系统，能够基于文档内容回答用户问询。

通过本教程，可以快速搭建起自己的本地 RAG 系统，并根据实际需求进行定制化改进。建议在实践中多尝试不同的模型和参数配置，以获得最佳的使用效果。

注: 使用 streamlit 或 FastAPI 等工具，可以将本地 RAG 应用部署为 Web 服务，实现更广泛的应用场景。

仓库中也提供了 app.py （https://github.com/datawhalechina/handy-ollama/blob/main/notebook/C7/DeepSeek_R1_RAG/app.py）文件，可以直接运行该文件，启动 Web 服务。

参考文档 Build a RAG System with DeepSeek R1 & Ollama（https://apidog.com/blog/rag-deepseek-r1-ollama/）。

注意：运行该代码前，要提前运行 Ollama 服务。

最后的最后

感谢你们的阅读和喜欢，作为一位在一线互联网行业奋斗多年的老兵，我深知在这个瞬息万变的技术领域中，持续学习和进步的重要性。

为了帮助更多热爱技术、渴望成长的朋友，我特别整理了一份涵盖大模型领域的宝贵资料集。

这些资料不仅是我多年积累的心血结晶，也是我在行业一线实战经验的总结。

这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习，相信它们一定能为你提供实质性的帮助。

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

大模型知识脑图

为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

经典书籍阅读

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

实战案例

光学理论是没用的，要学会跟着一起敲，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。

面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

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