摘要：让大家熟悉如何通过云主机部署DeepSeek，并且通过本地部署的DeepSeek快速搭建RAG向量数据库。
如您还没有云主机，可点击 链接 ，根据领取指南进行操作。
一、案例介绍
本文将介绍如何通过在云主机部署Deepseek模型，在基于本地部署的前提下快速搭建属于自己的RAG向量数据库。RAG是检索增强生成（Retrieval-Augmented Generation，简称 RAG）是一种结合信息检索和生成式 AI 的技术架构。RAG 通过从外部知识库（如文档、数据库）中检索相关信息，并将其作为上下文输入给 LLM（大型语言模型），从而提高回答的准确性，减少幻觉问题。
通过实际操作，让大家熟悉如何通过云主机部署DeepSeek，并且通过本地部署的DeepSeek快速搭建RAG向量数据库！
二、案例时间
三、案例流程
② 使用Ollama部署DeepSeek和mxbai-embed-large词向量模型；
③ 云主机获取项目代码及调取本地DeepSeek；
四、资源总览
|
|
|
|
|
|
|
2vCPUs
| 4GB X86
Ubuntu
22.04 Server定制版
|
|
|
五、云主机部署DeepSeek
5.1安装Ollama
Ollama 是一个强大的开源工具，旨在帮助用户轻松地在本地运行、部署和管理大型语言模型（LLMs）。它提供了一个简单的命令行界面，使用户能够快速下载、运行和与各种预训练的语言模型进行交互。Ollama 支持多种模型架构，并且特别适合那些希望在本地环境中使用 LLMs 的开发者和研究人员。
在云主机桌面右键选择“ Open Terminal Here ”，打开命令终端窗口。
curl -fsSL https://ollama.com/install.sh | sh
5.2模型部署
接下来可以借助 Ollama 工具来部署 Deepseek 大模型，部署 deepseek-r1:1.5b 版本，执行命令：
ollama run deepseek-r1:1.5b
部署的时间长短依赖于网络的情况，部署完成后，我们就可以与 Deepseek 大模型进行对话了：
在桌面重新打开一个终端将以下命令复制进去，下载mxbai-embed-large 词向量模型。
ollama pull mxbai-embed-large
六、RAG向量数据库创建
6.1虚拟环境创建
打开云主机桌面CodeArts IDE for Python。
打开后，点击新建工程，输入工程名称：RAG，点击创建。
在搜索框中输入：active，找到图中所示，在前方方框中点击勾选。
打开终端，前方出现（venv）字样表示创建成功，如果没有请点击 小垃圾桶图标 关闭终端重新打开一下。
6.2 RAG向量数据库构建
左下角打开终端输入命令，入完毕后按下回车进行下载。下载完毕后，在左侧目录下出现chatpdf-rag-deepseek-r1文件夹表示下载成功。
git clone https://github.com/paquino11/chatpdf-rag-deepseek-r1
下载完毕后，再次输入以下命令，输入完毕后按下回车，进入该目录下。
cd chatpdf-rag-deepseek-r1
pip install -r requirements.txt
6.3 RAG向量数据库功能实现
下载完毕后，点击后进入chatpdf-rag-deepseek-r1目录，对rag.py文件进行修改。修改rag.py文件的第23行代码，修改后的效果如下：
def __init__(self, llm_model: str = "deepseek-r1:1.5b", embedding_model: str = "mxbai-embed-large"):
修改完毕后，终端输入以下命令运行，首次运行可能会出现输入Email，出现时输入自己常用Email即可，输入完毕后效果如下：
streamlit run app.py
Settings（Number of Retrieved Results (k)）：检索结果数；
Similarity Score Threshold：相似度得分阈值；
数据可以前往以下地址自行下载获取，上传的数据中包括AI的基础理论知识以及常用的AI框架的介绍，这里上传数据是为了使大模型能够进行RAG向量数据库的生成，使DeepSeek可以读取到数据库中的内容。
下载完毕后点击图中’Browse files’字样进行数据上传。
上传后等待读取（过程需要一点时间请耐心等待），数据中包含AI方面的基础知识，所以我们进行问题提问，这里提问：机器学习有哪些核心技术？，输入完毕后回车发送消息。
可以看到返回信息，结合我们上传的数据进行检索生成。
至此本地部署DeepSeek构建RAG向量数据库实验案例到此结束。
