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：

1. 检索准备：解析用户问题，优化查询语句

2. 文档检索：从海量文档中匹配相关片段

3. 结果精炼：过滤排序，保留核心信息

4. 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。

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。

我的DeepSeek部署资料已打包好（自取↓）
https://pan.quark.cn/s/7e0fa45596e4

但如果你想知道这个工具为什么能“听懂人话”、写出代码 甚至预测市场趋势——答案就藏在大模型技术里！

❗️为什么你必须了解大模型？

1️⃣ 薪资爆炸：应届大模型工程师年薪40万起步，懂“Prompt调教”的带货主播收入翻3倍

2️⃣ 行业重构：金融、医疗、教育正在被AI重塑，不用大模型的公司3年内必淘汰

3️⃣ 零门槛上车：90%的进阶技巧不需写代码！会说话就能指挥AI

（附深度求索BOSS招聘信息）

⚠️警惕：当同事用DeepSeek 3小时干完你3天的工作时，淘汰倒计时就开始了。

那么，如何系统的去学习大模型LLM？

作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？老师啊，我自学没有方向怎么办？老师，这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！当然这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

篇幅有限，⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》，扫码获取~

👉大模型学习指南+路线汇总👈

我们这套资料呢，会从基础篇、进阶篇和项目实战篇等三大方面来讲解。

👉①.基础篇👈

基础篇里面包括了Python快速入门、AI开发环境搭建及提示词工程，带你学习大模型核心原理、prompt使用技巧、Transformer架构和预训练、SFT、RLHF等一些基础概念，用最易懂的方式带你入门大模型。

👉②.进阶篇👈

接下来是进阶篇，你将掌握RAG、Agent、Langchain、大模型微调和私有化部署，学习如何构建外挂知识库并和自己的企业相结合，学习如何使用langchain框架提高开发效率和代码质量、学习如何选择合适的基座模型并进行数据集的收集预处理以及具体的模型微调等等。

👉③.实战篇👈

实战篇会手把手带着大家练习企业级的落地项目（已脱敏），比如RAG医疗问答系统、Agent智能电商客服系统、数字人项目实战、教育行业智能助教等等，从而帮助大家更好的应对大模型时代的挑战。

👉④.福利篇👈

最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。我已经全部上传到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】

相信我，这套大模型系统教程将会是全网最齐全 最易懂的小白专用课！！