使用Deepseek总是服务繁忙,其他第三方平台又虽然也部署了满血版本。但是对于不想把自己的资料喂给第三方的同学,那就不得不部署本地版本的啦

我的配置:6G显存,32G内存,运行DeepSeek-r1:14B用得非常舒服,同时发现其实14b的也不差,甚至觉得比第三方平台要更好用。

一、Dify部署与智能体搭建

Dify部署虽然听起来复杂,但实际上通过Docker部署是一个相当便捷的方法。

官网有非常详细的教程。https://docs.dify.ai/zh-hans/getting-started/install-self-hosted/docker-compose

前提条件

安装 Dify 之前, 请确保你的机器已满足最低安装要求:

CPU >= 2 Core      RAM >= 4 GiB   

1.1 克隆Dify代码仓库

Dify部署的方式相对来说比较简单,这里教大家使用Docker进行部署,Docker的安装方法这里不再赘述,大家可以自行搜索。

  • 首先,克隆 Dify 源代码至本地环境:
git clone https://github.com/langgenius/dify.git      

1.2 启动Dify

(1)进入 Dify 源代码的 Docker 目录

cd dify/docker   

复制环境配置文件

cp .env.example .env   

(2)启动 Docker 容器

根据你系统上的 Docker Compose 版本,选择合适的命令来启动容器。你可以通过 $ docker compose version 命令检查版本,详细说明请参考 Docker 官方文档:

如果版本是 Docker Compose V2,使用以下命令:

docker compose up -d   

如果版本是 Docker Compose V1,使用以下命令:

docker-compose up -d   

运行命令后,你应该会看到类似以下的输出,显示所有容器的状态和端口映射:

二、SearXNG集成与部署

SearXNG是一个免费的互联网元搜索引擎,能够整合多种搜索服务的检索结果,并且保护用户隐私。将其集成到Dify中也需要遵循一定流程。

(1)首先,需要修改Dify配置文件。

SearXNG的配置文件位于

dify/api/core/tools/provider/builtin/searxng/docker/settings.yml

根据自身需求修改配置或者直接使用默认配置均可。

(2)然后,在Dify根目录下启动SearXNG的Docker容器。执行cd dify之后,

使用docker run --rm -d -p 8081:8080 -v "${PWD}/api/core/tools/provider/builtin/searxng/docker"命令。

这一步骤类似于为SearXNG打开大门,使其能够进入Dify环境中。

(3)最后,在Dify中使用SearXNG。

在“工具 > SearXNG > 去认证”中填写访问地址,默认情况下SearXNG的Docker内网地址为“http://host.docker.internal:8081”。填写完毕后点击授权并保存设置。如果一切顺利,将会看到“已授权”的提示。

三、Ollama部署Deepseek-r1

这里我们部署了14B的,非常简单,直接去官网搜索模型。

根据官方命令,把模型下载,并运行模型:

四、智能体搭建扩展

之前几步都是基础,现在我们要把之前的都利用起来。

(1)Dify集成ollama

首先利用Dify把ollama的模型集成进来,这里完全参考官方教程即可:

接入ollama部署的本地模型:

https://docs.dify.ai/zh-hans/development/models-integration/ollama

(2) 构建智能体

  • prompt提示词:
# 职位描述   ## 角色   你的主要任务是人工智能辅助助手,能够调用联网搜索、网页爬虫、获取时间等相关工具,收集相关信息,回答用户的提问。      ## 技能   ### 技能1:知识库检索相关内容   ### 技能2:使用time工具获取当前的时间   ### 技能3:使用tavily_search功能进行联网搜索   ### 技能4:使用webscraper功能对搜索到的相关内容进行爬取,并进行总结分析      ## 限制   - 每次都必须检索知识库,如果没有相关内容,再进行联网搜索   - 你的回答应严格针对分析任务。使用结构化语言,逐步思考   - 使用的语言应和用户提问的语言相同   - 搜索的关键词必须和用户提问的内容一致      
  • 工具:

  • 测试

首先第一次推理思考,查找大模型本身的知识:

根据过程,在本身知识库查找不到,则进行联网搜索。

最后,把联网搜索的知识进行汇总:

如何学习大模型 AI ?

由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。

但是具体到个人,只能说是:

“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。

这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。

我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段(10天):初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么?
  • 大模型是怎样获得「智能」的?
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例:向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范

第二阶段(30天):高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示(Embeddings)
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署

第三阶段(30天):模型训练

恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。

到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2:手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建

第四阶段(20天):商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身:基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例:如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案

学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。

如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。

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

在这里插入图片描述

Logo

欢迎加入DeepSeek 技术社区。在这里,你可以找到志同道合的朋友,共同探索AI技术的奥秘。

更多推荐