在本文中，你将学习如何使用DeepSeek-R1、LangChain、Ollama和Streamlit构建检索增强生成 (RAG)系统，该系统在本地处理 PDF 。本分步教程将LangChain的模块化功能与DeepSeek-R1的隐私优先方法相结合，为处理技术、法律和学术文档提供了强大的解决方案。

该项目将用于 RAG 工作流的 AI 框架LangChain与用于DeepSeek-r1本地部署的Ollama和用于用户界面的Streamlit相结合。最终打造出一款可以在本地提取 PDF并准确快速地回答问题的AI 助手。

在这个演示中，我们将使用一个具有 7B 参数的DeepSeek-r1蒸馏模型，但如果你拥有更强的计算能力，我推荐其他DeepSeek-r1 蒸馏模型。

为何选择私有RAG解决方案？

基于云的AI解决方案功能强大，但往往伴随着隐私风险和持续成本等挑战。通过利用LangChain的模块化框架，你可以创建一个本地RAG解决方案，该方案具有诸多优势：

• 数据隐私：所有操作均在本地进行，你的数据永远不会离开你的机器。
• 成本效益：无需昂贵的API订阅费用，此解决方案免费且开源。
• 可定制性：LangChain的灵活性允许你微调文档检索和响应生成流程。
• 强大的AI：集成DeepSeek-R1，这是一个针对问题解决和技术任务优化的推理模型。

工具和技术：LangChain、DeepSeek-R1、Ollama、ChromaDB和Streamlit

此项目由以下部分组成：

• LangChain：RAG管道的核心框架，支持集成文档加载器、向量存储和大型语言模型（LLM）。它允许根据特定需求构建模块化和可扩展的AI工作流。
• DeepSeek-R1：一个针对编程、问题解决和技术任务设计的推理大型语言模型。提供多种蒸馏尺寸，便于通过Ollama进行本地部署。
• Ollama：一个简化本地大型语言模型和嵌入模型（如DeepSeek-R1和mxbai-embed-large）部署和管理的命令行界面（CLI）工具。
• ChromaDB：一个向量数据库，用于存储和检索文档嵌入，以支持基于相似性的查询。
• Streamlit：一个用于构建网页界面的Python库，使你的RAG应用程序用户友好且易于访问。

构建RAG管道：分步指南

以下是设置本地ChatPDF解决方案的方法：

安装前提条件

确保你已安装Python 3.8+和Ollama。运行以下命令：

curl -fsSL https://ollama.com/install.sh | sh
ollama -v  # Verify installation

下载所需的AI模型：

ollama pull deepseek-r1:latest # Default 7B model
ollama pull mxbai-embed-large  # Embeddings model

设置项目

克隆存储库并设置虚拟环境：

git clone https://github.com/paquino11/chatpdf-rag-deepseek-r1.git
cd chatpdf-rag-deepseek-r1
python3 -m venv venv
source venv/bin/activate

安装依赖项：

pip install -r requirements.txt

运行应用程序

启动Streamlit应用程序：

streamlit run app.py

在浏览器中访问 http://localhost:8501 以使用该应用。上传你的PDF文件，调整检索设置，并开始提问。

使用DeepSeek-R1、Ollama、LangChain和ChromaDB构建RAG管道

本项目使用LangChain来管理整个RAG工作流程：

1. 使用LangChain进行PDF摄入：

• 使用LangChain的PyPDFLoader和RecursiveCharacterTextSplitter读取PDF并将其拆分为多个块。
• 使用OllamaEmbeddings将这些块嵌入为向量表示。

2. 使用ChromaDB进行文档检索：

• LangChain 与ChromaDB的集成实现了基于相似性的快速相关文档块检索。
• 自定义结果数量（k）和相似度阈值（score_threshold），以便更好地控制。

3.使用DeepSeek-R1生成响应：

• 检索到的文档块被传递给DeepSeek-R1，后者生成简洁、准确的答案。
• LangChain 的ChatPromptTemplate确保 AI 以用户友好的格式做出响应。

自定义检索设置以获得最佳结果

LangChain 可以轻松调整检索设置以获得最佳性能：

k：检索到的结果数

控制响应中使用多少个文​​档块。

• 更高k：更多内容，响应更慢。
• 较低k：背景信息较少，响应较快。

score_threshold：相似度截止

过滤器根据相关性检索结果。

• 更高的阈值：仅检索高度相关的块。
• 门槛较低：范围较广，但精确度较低。

用例和测试你的RAG应用程序

以下是一些测试该应用程序的示例：

测试PDF：

• 金融：分析财务报告并提取可操作的见解。
• 医疗保健：总结研究论文或医疗指南。
• 教育：从电子书和学术论文中提取摘要或要点。

示例问题：

• “这个Python库的关键特性是什么？”
• “这份合同的第5条讨论了什么？”
• “总结这本电子书的第2章。”

结论

通过结合LangChain、DeepSeek-R1和ChromaDB，你可以创建一个注重隐私、灵活性和成本效益的RAG系统。这种本地RAG解决方案非常适合分析技术文档、法律文本等，而无需依赖基于云的工具。