DeepSeek R1打造本地RAG知识库(三)：向量(Embed)模型怎么选

关于如何打造本地RAG知识库，前面我们已经讲了2期，分别是使用AnythingLLM和Dify两个开源的平台。

程序学到昏

2251人浏览 · 2025-05-07 11:04:38

程序学到昏 · 2025-05-07 11:04:38 发布

关于如何打造本地RAG知识库，前面我们已经讲了2期，分别是使用AnythingLLM和Dify两个开源的平台。

在部署的过程中，大家比较多的问题是关于向量模型和本地知识库文件。

今天给大家讲一下关于向量模型的知识，可以更好的理解本地知识库的作用和搭建。

检索增强生成（RAG）是生成式 AI 中的一类应用，支持使用自己的数据来增强 LLM 模型的知识。

RAG 通常会用到三种不同的AI模型，即 Embedding 模型、Rerankear模型以及大语言模型。

本文将介绍如何根据您的数据类型以及语言或特定领域（如医生）选择合适的 Embedding 模型。

一、准备

在开始工作之前，我们先明确一下本文主要涉及的几个方面：

Docker：dify是在docker中安装使用的。
Ollama：本地模型的部署和安装，是在ollama中的。
模型：Deepseek r1和Embed模型。
Embed模型：模型介绍及安装
Dify：源码下载及安装。
实操：详细的操作使用指南。

二、Docker安装

打开Docker的官网:https://docs.docker.com/

下载对应版本的docker

下载完成后直接安装运行即可。

运行界面如图

三、安装 Ollama

Ollama 是一个用于本地运行大型语言模型的工具。

可以通过以下步骤安装 Ollama：

3.1 下载 Ollama

访问 Ollama 的 https://ollama.com/官方网站，下载适合你操作系统的安装包。

3.2 安装 Ollama

3.3 验证安装

打开终端或命令提示符，输入 ollama --version，确保安装成功。

3.4 Ollama常用命令

四、配置模型

4.1 下载 DeepSeek R1 模型

从 Ollama的官方网站下载 DeepSeek R1 模型文件。

ollama run deepseek-r1:7b

4.2 启动模型

启动和下载模型是同一个命令，如果没有下载过的新模型会直接下载，以及下载过的则直接启动。

ollama run deepseek-r1:7b

五、Embed模型

Embedding模型是将文本数据转换为向量表示的核心工具。这些向量表示能够捕捉文本的语义信息，广泛应用于文本分类、信息检索、问答系统等任务。

Embedding模型的主要应用场景包括：

文本相似度计算：通过向量距离（如余弦相似度）衡量文本之间的相似性。
信息检索：将查询和文档转换为向量，进行高效的语义搜索。
问答系统：将问题和答案映射到向量空间，进行匹配和检索。
文本分类：将文本转换为向量后，输入到分类模型中进行预测。

围绕嵌入的开源研究相当活跃，并且定期发布新的模型。了解最新发布的模型的一个好地方是MTEB排行榜(
https://huggingface.co/spaces/mteb/leaderboard)。

我们今天选择了四个embedding模型。它们的名气比较大，使用也比较多。模型的主要特性摘要如下。

模型名称	优势	劣势	推荐场景
E5-mistral-7b	高性能、多语言支持	模型较大（14GB）	高精度多语言任务
ML-E5-large	多语言支持、模型较小（1.4GB）	上下文长度较短（514 tokens）	资源有限的多语言任务
BGE-M3	支持100+种语言	未进入MTEB排行榜，性能未验证	全球化多语言任务
Nomic-embed-text-v1	高性能、模型小（0.55GB）、完全可复制	多语言支持未明确	高性能、资源有限、透明度需求场景

可以从Ollama的官方网站看到这些模型：

还可以看到其它的模型：

通过实验比较，我们最后选择bge-m3这个模型：

ollama pull bge-m3

模型下载完成

六、安装和配置 Dify

下载 Dify 代码：

- 从 Dify 的官方 GitHub 仓库克隆代码：

git clone https://github.com/langgenius/dify.git

cd dify
cd docker

配置环境变量：

- 在项目根目录下，复制.env.example文件并重命名为.env：

cp.env.example.env

编辑.env文件，根据你的需求配置相关环境变量。对于本地部署，大部分默认配置即可满足需求。
我们主要修改下面2个地方，增加上传文件的大小和个数。

修改完后，重启我们的Docker，通过下面的命令：

docker-compose down
docker-compose up -d

启动 Dify：

- 使用 Docker Compose 启动 Dify 服务：

docker-compose up -d

这一步会下载并启动 Dify 所需的所有 Docker 容器，包括 Web 服务、数据库等。
启动完成后，可以通过浏览器访问http://localhost/install进入 Dify 的管理界面。

七、搭建私有 RAG 知识库

数据准备：

- 用我们前面讲的cline，自动生成一个模拟数据生成代码，来生成高中的成绩单。

配置 Dify：

- 在 Dify 的界面中，点击用户名。

- 进入设置页面，选择模型供应商，选择ollama。

- 分别添加LLM和Embed模型，URL填：http://host.docker.internal:11434

这样我们的模型就配置完了。

配置本地知识库：

- 在 Dify 的知识库页面，选择新加知识库。

- 添加刚刚生成的模拟成绩单

- 添加完成的效果

这就我们运行测试的界面，测试过后可以直接发布；

八、总结

通过以上步骤，我们成功地使用 ollama 和Dify 搭建了本地的私有 RAG 知识库。也了解了关于向量模型的基本知识。

如何系统的去学习大模型LLM ？

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。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

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！

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。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 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🆓↓↓↓

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、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。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望