本地部署DeepSeek R1 + Ollama + XRAG：三步搭建RAG系统，并解锁全流自动化评测

具体来说，XRAG支持全面的RAG测评Benchmark与Toolkit，涵盖了50+以上的测试指标与RAG的全面评测与失败点优化，支持4类Advanced RAG模块（查询重构，先进检索，问答模型，后处理）的对比，并集成模块内的多种具体实现，支持OpenAI大模型 API。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

Python_金钱豹

1156人浏览 · 2025-03-05 21:00:33

Python_金钱豹 · 2025-03-05 21:00:33 发布

引言

如何科学的评估RAG系统，对于RAG系统的性能优化至关重要。为此，本文提供了一个详细操作指南，帮助用户使用Ollama本地部署最新的DeepSeek R1模型，并使用最新的XRAG1.0框架来构建RAG系统并评估你的本地RAG知识库系统。

这一过程分为三个主要步骤：

Ollama安装
下载启动DeepSeek R1模型
配置XRAG使用本地模型和知识库，运行评估以解锁全流程自动化评测能力。

RAG技术核心流程

检索增强生成（Retrieval-Augmented Generation, RAG）通过结合文档检索与大模型生成能力，让AI回答既精准又可靠。RAG核心流程分为四步：

检索准备：解析用户问题，优化查询语句
文档检索：从海量文档中匹配相关片段
结果精炼：过滤排序，保留核心信息
答案生成：基于上下文生成最终回答
上图展现了一个完整的RAG流程的各个步骤，其中蓝色字体标注的部分是RAG技术中值得深入理解并改进的关键组成部分。

然而，有过实战经验的小伙伴的经验应该知道，搭建RAG系统是比较简单的，但如何让系统达到预期目标是一件非常有挑战性的任务。当前系统功能优化基本也是围绕这四个关键节点展开，那么如何有效的评测RAG关键节点模块的性能对于RAG系统的优化起着关键的作用。

XRAG

为了更深入地评测RAG技术中的各个模块性能，北航团队发布的可全面测评RAG系统的框架：XRAG。paper:https://arxiv.org/abs/2412.15529

code:https://github.com/DocAILab/XRAG

利用XRAG并借助DeepSeek模型，可以实现本地的RAG知识库系统，并对其中的不同模块快速进行检验测试。具体来说，XRAG支持全面的RAG测评Benchmark与Toolkit，涵盖了50+以上的测试指标与RAG的全面评测与失败点优化，支持4类Advanced RAG模块（查询重构，先进检索，问答模型，后处理）的对比，并集成模块内的多种具体实现，支持OpenAI大模型 API。XRAG1.0版本还提供了简单的Web UI Demo、轻交互的数据上传与统一标准格式，集成了 RAG失败点检测与优化方法。

具体XRAG框架内容细节可以阅读原论文。

XRAG安装使用

XRAG安装使用主要分为三个主要步骤，首先安装Ollama，然后通过ollama安装DeepSeek R1模型，最后配置XRAG使用本地模型和知识库、运行评估以解锁全流程自动化评测能力。

1、Ollama安装

Ollama 是一个开源工具，允许用户在本地机器上运行 LLM，如 DeepSeek R1。进入Ollama官网（官网链接：https://ollama.com）后，点击页面右上角的Download按照提示按步骤下载安装即可，如上图所示。然后，进入选择自己电脑操作系统的页面，即可等待下载并安装完成。

2、下载启动Deepseek模型

完成上述的Ollama的安装步骤后，就可以开始拉取并运行DeepSeek R1模型了。具体操作如下：

可以首先打开一个命令行终端，首先输入ollama serve进行ollama服务的启动，如下图所示：之所以图片的第一次命令运行出现error，是因为我事先启动过ollama服务了。所以大家也可以通过这个命令查看自己电脑上是否已经启动了ollama服务，如果启动了就不需要再次运行这个命令。

接下来终于到了下载模型的环节：如上图所示，首先选择目前火热的deepseek-r1模型，由于是本地服务，这里选择最小的模型1.5b（如果资源足的小伙伴，也可以下载参数量多的版本）。将官网的下载命令粘贴到命令行中，下载过程展示如上图所示。

下载速度一般很快，喝杯水的功夫就完成了。上面是下载完的结果展示图，此时我们已经可以在简陋的命令行中跟刚刚下载的deepseek-r1模型进行聊天了。当然，由于是本地的小模型，所以可能稍微没有想象中的那么聪明，但至少不会出现服务器繁忙的回复了哈哈哈。

到这一步骤，我们已经完成在Ollama的基础上运行本地deepseek模型的流程。

3、XRAG安装评测

以下是使用XRAG的详细步骤：

1、XRAG安装

确保 Python 版本为 3.11 或更高。在这里，我们使用conda创建虚拟环境（具体安装细节可参考conda官方网站）：安装 XRAG：

2、配置 XRAG

XRAG 使用 config.toml 文件进行配置。一般情况，我们保持默认配置即可。我们可以在使用可视化界面时，直接对XRAG进行配置，更简洁方便。

3、运行评估运行以下命令，打开XRAG的可视化网页。通过上面的可视化网页，我们可以选择本地的文件作为我们的知识库：加载数据需要一定的时间：

然后，可以对我们本地知识库所采用的配置进行设置：包括回答生成时所使用的大模型等等。这里，我们将选择前面步骤中运行的本地模型：

4、自动评测配置完毕后，我们点击下一步，就可以开始针对本地知识库系统进行回答问题了：XRAG能够根据你的本地RAG知识库系统的回答自动进行评测（通过使用openai的大模型进行评估），并利用各种经典指标量化回答的质量，下面的图片是其中一些指标的实例：到这里为止，我们就可以利用XRAG框架完成本地RAG知识库系统的搭建，并对我们的本地知识库进行了评估了。祝各位玩的开心！

注意事项（Notice！）

近期互联网披露，如果Ollama直接暴露服务端口（默认为 11434）于公网，并且未启用身份认证机制，远程攻击者可以在未授权的情况下访问其高危接口。建议受影响的用户尽快修改相关配置或部署安全策略，以收敛安全风险。

根据CNVD漏洞平台最新修复建议（https://mp.weixin.qq.com/s/QKrJXmOYv9KVfIEHBLeCww）：

1、若Ollama只提供本地服务，设置环境变量Environment=“OLLAMA_HOST=127.0.0.1”，仅允许本地访问。
2、若Ollama需提供公网服务，选择以下方法添加认证机制：
1）修改config.yaml、settings.json 配置文件，限定可访问Ollama 服务的IP地址；
2）通过防火墙等设备配置IP白名单，阻止非授权IP的访问请求；
3）通过反向代理进行身份验证和授权（如使用OAuth2.0协议），防止未经授权用户访问。

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