ragflow、langchain+chroma、llamaindex和fastapi四种方式可分别实现deepseek知识库的零代码搭建、手动部署、快速集成与rest服务封装。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
一、使用RAGFlow零代码搭建DeepSeek知识库
RAGFlow是一款面向非技术用户的开源RAG引擎，通过深度文档理解能力自动解析PDF、Word、Excel、PPT等多格式文件，并构建可检索的知识向量库。其内置可视化工作流编排与引用溯源功能，使DeepSeek模型能基于真实文档片段生成答案，显著降低幻觉风险。
1、访问RAGFlow官方GitHub仓库或Docker Hub，拉取最新稳定镜像：docker pull ragflow/ragflow:latest。
2、执行一键启动命令，绑定本地端口：docker run -d -p 3000:80 -v $(pwd)/data:/app/data ragflow/ragflow:latest。
3、浏览器打开 http://localhost:3000 ，注册账号后进入控制台，点击“新建知识库”，输入名称并选择“DeepSeek-R1”作为默认LLM。
4、上传本地文档（单次支持≤500MB），系统自动完成OCR识别、表格提取、语义分块及向量化，状态栏显示“索引完成”即表示知识库就绪。
5、在对话界面输入问题，如“请根据《用户手册V2.3》第5章说明重置密码的步骤”，系统将精准定位原文段落并调用DeepSeek生成结构化回复。
二、基于LangChain+Chroma手动部署DeepSeek RAG
该方法适用于需完全掌控数据流向与检索逻辑的开发者，通过Python脚本定制文档解析策略、嵌入模型选型及检索相似度阈值，实现对DeepSeek推理输入内容的精细调控。
1、创建conda虚拟环境并安装核心依赖：conda create -n ds-rag python=3.9 && conda activate ds-rag && pip install langchain chromadb transformers torch sentence-transformers。
2、下载DeepSeek-R1-7B量化模型至本地，使用transformers加载为pipeline：from transformers import AutoTokenizer, AutoModelForCausalLM; model = AutoModelForCausalLM.from_pretrained("./deepseek-r1-7b-q4_k_m")。
3、初始化Chroma向量数据库，指定持久化路径：import chromadb; client = chromadb.PersistentClient(path="./chroma_db")。
4、加载PDF文档并切分为512字符滑动窗口块，调用bge-m3中文嵌入模型生成向量：from sentence_transformers import SentenceTransformer; embedder = SentenceTransformer("BAAI/bge-m3"); embeddings = embedder.encode(chunks)。
5、将文档块及其向量批量写入Chroma集合，设置metadata标记来源文件名与页码，便于后续溯源。
三、利用LlamaIndex快速集成DeepSeek与私有数据源
LlamaIndex专为RAG优化设计，提供简洁API抽象层，支持从数据库、API、本地文件系统等多种数据源同步构建索引，并原生兼容DeepSeek模型的tokenizer与generation参数配置。
1、安装LlamaIndex及配套组件：pip install llama-index llama-index-llms-deepseek llama-index-embeddings-sentence-transformers。
2、配置DeepSeek LLM实例，显式指定base_url指向本地Ollama服务或HuggingFace pipeline接口：from llama_index.llms.deepseek import DeepSeek; llm = DeepSeek(model="deepseek-r1-7b", api_base="http://localhost:11434/v1")。
3、定义嵌入模型，选用适配中文的jina-embeddings-v2-base-zh：from llama_index.embeddings.jina import JinaEmbedding; embed_model = JinaEmbedding(model_name="jina-embeddings-v2-base-zh")。
4、加载本地目录下所有txt与md文件，构建Document对象列表，并调用VectorStoreIndex.from_documents()触发向量化与索引构建。
5、创建查询引擎，启用HyDE（Hypothetical Document Embeddings）增强检索，执行自然语言提问即可获得融合知识库内容的回答。
四、通过FastAPI封装DeepSeek RAG为REST服务
将RAG系统封装为标准HTTP接口，便于前端应用、企业OA或低代码平台直接调用，支持JSON请求体传入问题与知识库ID，返回带引用锚点的答案及匹配文档片段。
1、新建main.py，导入FastAPI、Pydantic模型及前述Chroma/LangChain模块：from fastapi import FastAPI, Body; from pydantic import BaseModel。
2、定义请求体模型，包含question（str）、kb_id（str）、top_k（int，默认3）字段：class QueryRequest(BaseModel): question: str; kb_id: str; top_k: int = 3。
3、初始化全局Chroma客户端与DeepSeek tokenizer，在startup事件中预加载常用知识库索引。
4、声明POST接口/v1/query，接收QueryRequest对象，执行向量检索后拼接context，构造prompt模板：f"你是一名专业助手，请严格依据以下资料回答问题：{retrieved_texts}。问题：{req.question}"。
5、调用model.generate()获取响应，解析输出并以JSON格式返回answer、references（含文件名与匹配位置）及retrieval_score数组。
