摘要：

DeepSeek V3发布后效果惊艳，但如何让它“读懂”你私有的PDF文档、公司财报或个人笔记？这就是RAG（检索增强生成）技术的魅力。今天手把手带大家搭建一个本地知识库，不花一分钱，打造你的专属AI助手！

1. 为什么选择 DeepSeek + RAG？

• 痛点： 通用大模型（ChatGPT/DeepSeek）不知道你公司的内部文档，且存在“幻觉”。

• RAG原理：

  1. Embedding： 把你的文档变成向量（数学表示）。

  2. Retrieval： 用户提问时，先去向量库搜索相关段落。

  3. Generation： 把搜到的段落 + 问题 喂给大模型，生成精准答案。

架构图解： PDF -> Chunking -> Vector DB <==> Query -> Retrieval -> LLM -> Answer

2. 环境准备 (Prerequisites)

我们需要用到的核心库：

• langchain：大模型开发的瑞士军刀。

• chromadb：轻量级本地向量数据库（无需安装服务器）。

• sentence-transformers：免费开源的Embedding模型。

pip install langchain langchain-community chromadb sentence-transformers openai

3. 核心代码实战 (Show Me The Code)

Step 1: 加载并切割文档 大模型有上下文限制，我们需要把长文档切成小块（Chunk）。

from langchain_community.document_loaders import TextLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter

# 1. 加载本地数据
loader = TextLoader("./my_secret_notes.txt", encoding='utf-8')
documents = loader.load()

# 2. 切割文本 (Chunking)
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
chunks = text_splitter.split_documents(documents)

print(f"文档已切割为 {len(chunks)} 个片段")

Step 2: 向量化并存入 ChromaDB 这里我们使用 HuggingFace 免费的嵌入模型，不需要花钱调OpenAI的Embedding API。

from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_community.vectorstores import Chroma

# 3. 初始化 Embedding 模型 (本地运行)
embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2")

# 4. 创建向量数据库
db = Chroma.from_documents(chunks, embeddings, persist_directory="./chroma_db")
print("知识库构建完成！")

Step 3: 接入 DeepSeek 大模型 DeepSeek 兼容 OpenAI 的 SDK 格式，配置非常简单。

from langchain_openai import ChatOpenAI
from langchain.chains import RetrievalQA

# 5. 配置 DeepSeek (使用 OpenAI 兼容接口)
llm = ChatOpenAI(
    model_name="deepseek-chat", # 或者是 deepseek-coder
    openai_api_key="sk-your-deepseek-api-key",
    openai_api_base="https://api.deepseek.com/v1",
    temperature=0.1
)

# 6. 构建检索问答链
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    retriever=db.as_retriever(search_kwargs={"k": 3}), # 每次查最相关的3段
    return_source_documents=True
)

Step 4: 见证奇迹

query = "这篇文章里提到的核心优化策略是什么？"
result = qa_chain.invoke({"query": query})

print("DeepSeek 回答：")
print(result["result"])

4. 进阶玩法与思考

• 更换模型： 如果显卡够强，可以本地跑 Ollama + Llama3，实现全链路离线（隐私绝对安全）。

• Web界面： 结合 Streamlit，你可以用 50 行代码把这个脚本变成一个漂亮的网页版聊天机器人。

5. 写在最后

AI应用开发正在变得越来越简单。未来的核心竞争力不是“会调包”，而是如何将业务数据与AI能力结合。