登录社区云，与社区用户共同成长
邀请您加入社区
源代码这个开源系统已经完整，能运行，基于这个开源，可以开发更多更高级的DeepSeek真是国运奇迹，开源免费，全球大量用户，极大提高生产效率。DeepSeek，能够赋能农业，这个开源：基于deepseek大模型农业专家系统farm-rag这个开源系统已经完整，能运行，基于这个开源，可以开发更多更高级的畅想一下，基于DeepSeek的农业专家系统的未来DeepSeek确实是一款具有开创性的开源语言模
在对 Qwen2.5-Max 深度评测后，我想到了一句话——有人逐日，有人摘星。DeepSeek V3 的发布和爆火，让我们看到了 MoE 模型的潜力，让世界看到中国 AI 的锋芒。探索 AGI 的路上并不孤单，DeepSeek 和 Qwen 都是中国 AI 大模型的代表力量，当然还有很多优秀国产代表。说个冷知识，DeepSeek 将 R1 蒸馏出的 6 个小尺寸模型，有 4 个用的是 Qwen
以上介绍了基于。
在当今数字化时代，企业中数据呈爆炸式增长，如何快速、准确地从海量数据中获取有价值的信息，成为了众多企业面临的关键问题。对于业务人员和数据分析师来说，每次查询数据都要编写复杂的 SQL 语句，不仅效率低下，还容易出错。这时，text-to-sql 技术应运而生，它允许用户通过自然语言提问，系统自动将其转换为 SQL 语句并执行，大大降低了数据查询的门槛，提高了工作效率。text-to-sql 技术在
Deepseek-R1推出有一段时间了，其通过在线搜索回答问题的能力，在保证推理水平的同时提高了其实时性和可信度。但有些行业内的知识比较冷门，在搜索中无法找到，因此使用RAG技术的知识库，是对模型能力的一种补足。通过将检索和生成相结合，既保留了传统检索问答的可靠性，又获得了 LLM 的灵活性和自然表达能力。它能让 AI 始终基于最新的、可信的知识来回答问题，同时保持对话的流畅自然。
最近几年，大模型和AI毫无疑问是最热的话题和方向。最初的OpenAI作为大语言模型技术的重要推动者，引领了本次技术变革。后期ChatGPT的发布引爆全球，影响力度大到国家战略层面，小到改变了个体的工作模式。而在近两年，为了追赶业界最先进的大模型，国内在大模型行业也在不断突破，这才有了我们比较熟知的腾讯元宝、文心一言、通义千问、豆包等等。当然，最火爆的还得是今年的 DeepSeek ，毫无疑问，De
上面这些都是有deepseek根据一个问题生成出来的，确实很强大，后面这种blog感觉大部分都不用写了，写的还不如deepseek有条理。", "output": "根据文档A，特斯拉的创始人是埃隆·马斯克。通过训练数据（文档内容生成的问答对）调整模型参数，使模型将文档知识“记忆”在神经网络权重中。：在预训练模型（如LLaMA、GPT）基础上，用上述数据继续训练，通过梯度下降更新权重。用大模型（如
本文介绍了如何利用 vLLM工具在本地部署 DeepSeek大模型，帮助企业搭建高效、安全的智能服务系统。通过 vLLM 的动态批处理和显存优化技术，充分发挥 DeepSeek 在自然语言处理上的强大能力，实现了低延迟、高吞吐的企业级私有化推理服务。这套方案不仅确保了数据隐私和系统高性能，还能灵活满足多场景应用需求，为企业的智能化转型提供了可靠支持。
•：建议采用，对于技术文档（如SD-WAN配置手册），先按章节（递归分块）划分，再通过余弦相似度检测语义边界。•：对结构化数据（如Excel表格），采用，避免切断字段关联，同时添加列名作为元数据标签。• 实验验证：测试显示，DS在512 tokens分块时召回率提升12%，而QWQ在256 tokens时处理非语义编号效果更佳。• 优先使用MD/HTML格式，对扫描PDF需通过Umi-OCR预处理
RAG技术是一种结合了检索和生成能力的新型语言模型应用方式。其核心在于，首先使用一个检索器从知识库中获取与查询相关的文档片段，然后基于这些检索到的上下文，利用语言模型（LLM）生成回答。这种方式显著提高了回答的准确性和时效性，因为它能够实时地、基于事实地、动态地生成响应。在构建 RAG 系统时，选择合适的技术工具至关重要。LangChain作为连接检索器和语言模型的桥梁，LangChain 提供了
CherryStudio 是一款集多模型对话、知识库管理、AI 绘画、翻译等功能于一体的全能 AI 助手平台。CherryStudio 的高度自定义的设计、强大的扩展能力和友好的用户体验，使其成为专业用户和 AI 爱好者的理想选择。无论是零基础用户还是开发者，都能在 CherryStudio 中找到适合自己的AI功能，提升工作效率和创造力。今天就体验一下 CherryStudio 搭建本地知识库，
你是否曾希望能够直接向 PDF 或技术手册提问？本文将向你展示如何使用开源推理工具 DeepSeek R1 和运行本地 AI 模型的轻量级框架 Ollama 来构建检索增强生成（RAG）系统。
核心价值企业敏感数据100%离线处理个人知识库智能问答本地模型快速响应支持PDF/Word/网页等多格式文档工具链Ollama：开源模型托管平台（支持150+模型）：深度求索开源的16K长文本大模型：中文语义向量模型：AI应用可视化客户端本方案在Intel i7-12700H + RTX 4070设备上实测，可流畅处理200页以内的技术文档问答。通过本地化部署既保障了数据安全，又充分发挥了Deep
利用DeepSeek-R1与RAG（Retrieval-Augmented Generation，检索增强生成）技术可以快速搭建本地知识库。为确保本地知识库的高效搭建，需先准备DeepSeek-R1模型、相关文档/数据集及部署工具（如Ollama）， 随后安装Ollama并部署DeepSeek-R1 ，同时选择并配置文本嵌入模型，最后收集/整理文档并确保其唯一标识符和文本内容， 利用文本嵌入模型转
别只会用别人的模型了，自学Ai大模型，顺序千万不要搞反了！刚入门的小白必备！
今天分享下关于大模型本地部署的一些基础知识，做一个简单的入门，并科普相关的工具使用。
本地知识库说白了就是资料库的一种，比如说你们公司的技术档案，销售记录，公司的规章制度等都属于本地知识库的范围；本地知识库的作用是把一个组织内部的资料梳理出来方便大家使用。所以，本地知识库的本质是资料库；而这个资料库可以有多种不同的组织形式，比如以文档，书籍，或者网页，视频，甚至是会议记录等形式存在，也可能是多种形式的混合。而向量数据库是一种存储数据的方式，只不过由于大模型的出现，导致基于以前的字符
使用Huggingface上的开源医疗数据集，借助 RAGFlow 搭建自己的本地医疗问诊助手。原理：RAGFlow是一个基于对文档深入理解的开源 RAG（检索增强生成）引擎。它的作用是可以让用户创建自有知识库，根据设定的参数对知识库中的文件进行切块处理，用户向大模型提问时，RAGFlow先查找自有知识库中的切块内容，接着把查找到的知识库数据输入到对话大模型中再生成答案输出。
将开源的大语言预训练模型部署到用户设备上进行推理应用，特别是结合用户专业领域知识库构建AI应用，让AI在回答时更具有专业性，目前已经有很多成熟的应用方案。其中，支持大模型本地化部署的平台及工具很多，比较出名的有ollama、vLLM、LangChain、Ray Serve等，大大简化了模型的部署工作，并提供模型全生命周期管理。
Dify 是一个用于构建 AI 应用程序的开源平台。Dify融合了后端即服务（Backend as Service）和LLMOps理念。它支持多种大型语言模型，如Claude3、OpenAI等，并与多个模型供应商合作，确保开发者能根据需求选择最适合的模型。Dify通过提供强大的数据集管理功能、可视化的Prompt编排以及应用运营工具，大大降低了AI应用开发的复杂度。
检索增强生成（RAG）是生成式 AI （GenAI）中的一类应用，支持使用自己的数据来增强 LLM 模型（如 ChatGPT）的知识。RAG 通常会用到三种不的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（如法律）选择合适的 Embedding 模型。HuggingFace 的是一个一站式的文本 Embedding
该平台结合了后端即服务（Backend as Service, BaaS）和LLMOps的理念，为开发者提供了。
RAG（Retrieval-Augmented Generation，检索增强生成） 是一种结合了信息检索技术与语言生成模型的人工智能技术。该技术通过从外部知识库中检索相关信息，并将其作为提示（Prompt）输入给大型语言模型（LLMs），以增强模型处理知识密集型任务的能力，如问答、文本摘要、内容生成等。RAG模型由Facebook AI Research（FAIR）团队于2020年首次提出，并迅
为了回馈粉丝们的厚爱，今天小智给大家送上一套大模型RAG实战指南——《大模型RAG实战：RAG原理、应用与系统构建》。这是一本已经被市场公认的大模型RAG的标准性著作，极具实战性和技巧性，阅读本书，先人一步实现能力跃迁，提升你的开发技能，与我们一起在智能开发的道路上不断前行。
DeepSeek 实在太火爆了。近期，Open AI 推出的 Deep Research（深度研究）功能引发了广泛关注。该功能通过整合大模型、超级搜索和研究助理于一体，使得金融机构能够一键生成报告，科研人员能够一键撰写综述，极大提升了效率。然而，由于企业场景中私有化数据的敏感性和成本考虑，如何将 Deep Research 进行开源的本地化部署，成为许多人的关注焦点。
了解了RAG，我们就清楚了LLM应用的结果是否靠谱，不只取决于LLM本身，还跟RAG的向量数据库和检索有关，并且不同LLM对于提示词的处理也会有所区别。就拿DeepSeek来说，现在很多平台争相接入，但各平台的性能和产出质量有很大差别，就是因为硬件和RAG上的差别。读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用如果你是零基础小白，想快速入门大模型是可以考虑的。一方面是学习时间相对
ℹ️RAG全称是Retrieval-Augmented Generation(检索增强生成)，一句话解释就是：把问题和相应的参考资料一起给大模型，以期望得到效果更好的模型表现。ℹ️包含用于开发大语言模型应用的各种功能组件，不仅仅是RAG，所以相较于等专门为RAG设计的框架来说，功能更为丰富，更“笨重”，学习门槛更高。参见requirements.txt。这里使用的DeepSeek官方提供的API。
随着ChatGPT和其他大语言模型（LLM）的快速发展，AI已成为我们工作和生活中不可或缺的一部分，并从简单的文本生成逐渐演变成为能够处理复杂语义理解和生成的高级AI系统。
在微调大语言模型（LLM）的过程中，开发者常常会面临一系列技术挑战。显存不足？如果显存资源有限，可以采用 LoRA（低秩适配）技术结合 4-bit 量化，显著降低显存占用，同时保持模型性能。此外，云端训练也是一个不错的选择，借助强大的云服务资源，可以轻松应对大规模模型的训练需求。数据集太小？当数据集规模较小时，模型容易出现过拟合现象，导致无法泛化到新的数据。此时，可以运用数据增强技术，如同义词替换
构建一个强大的 RAG（检索增强生成）系统，能够极大提升 AI 在知识问答、信息检索和内容创作中的能力。DeepSeek R1 和 Ollama 作为当前领先的 AI 工具，为 RAG 系统的开发提供了强大支持，让开发者能够更加高效地构建智能 AI 解决方案。本指南将详细介绍如何利用这些技术进行 RAG 系统的搭建，涵盖环境设置、核心流程、优化策略和最佳实践。DeepSeek R1 是一款高性能的
AI大模型如deepseek本地部署的成本相对较低，如果要训练，微调大模型，则需要非常多的显卡，与很多时间，那一般企业无法投入那么多钱去买显卡，怎么办？通过RAG与本地部署来提升大模型的专业知识RAG（Retrieval-Augmented Generation，检索增强生成）是一种将与结合的AI技术范式，通过动态引入外部知识提升大模型输出的准确性和时效性。工作流程mermaid语义检索：将用户Q
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。： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。想正式转到一些新兴的 AI 行业，
在讲RAG之前，我们先说一个大模型的普遍现象，大家应该都用过大模型了，比如 ChatGPT、DeepSeek、豆包、文心一言等等…那么大家在用的时候其实会发现，有时候大模型会乱回答，一本正经地胡说八道，语义不同，前言不搭后语。举个例子：你问大模型，美国成立时间。 大模型可能会回答：美国成立在1997年，距离现在已有400年的历史…这种现象叫hallucination，幻觉。大模型本质的就是不断的预
构建一个强大的 RAG（检索增强生成）系统，能够极大提升 AI 在知识问答、信息检索和内容创作中的能力。DeepSeek R1 和 Ollama 作为当前领先的 AI 工具，为 RAG 系统的开发提供了强大支持，让开发者能够更加高效地构建智能 AI 解决方案。本指南将详细介绍如何利用这些技术进行 RAG 系统的搭建，涵盖环境设置、核心流程、优化策略和最佳实践。
过年这几天，DeepSeek 算是彻底破圈了，火遍大江南北，火到人尽皆知。虽然网络版和 APP 版已经足够好用，但把模型部署到本地，才能真正实现独家定制，让 DeepSeek R1 的深度思考「以你为主，为你所用」。
3分钟手把手教学：零基础实现DeepSeek本地化部署（附教程）
本文将详细的讨论如何才能高性价比的完成DeepSeek的私有化部署，下面将以两个章节来讨论这个问题：第一章节定义一些大模型服务的性能指标，第二个章节评估私有化部署大模型的成本情况。
前言本文重点介绍使用微调框架unsloth，围绕DeepSeek R1 Distill 7B模型进行高效微调，并介绍用于推理大模型高效微调的COT数据集的创建和使用方法，并在一个medical-o1-reasoning-SFT数据集上完成高效微调实战，并最终达到问答风格优化&知识灌注目的。你能收获什么：亲手完成DeepSeek R1蒸馏模型的微调实战对模型微调、推理数据集等知识有一定了解对大模型运
随着云计算、机器学习和人工智能等第四次工业革命（4IR）技术的出现，虽然带来了便利性和生产效率的提升，但同时也给培训与教育带来了新的挑战，需要对现有员工进行再培训，并培养一支新劳动力。在已有劳动力短缺的情况下，这一庞大的劳动力再培训和建设努力旨在打造一支能够操作和维护这些4IR系统的高科技劳动力；需要更高的学生保留率和坚持度。这种学生保留和坚持的增加在培训来自边缘化社区（如代表性不足的少数群体，U
掌握如何借助 DeepSeek R1 与 Ollama 搭建检索增强生成（RAG）系统。本文将通过代码示例，为你提供详尽的分步指南、设置说明，分享打造智能 AI 应用的最佳实践。
随着人工智能（AI）、自然语言处理（NLP）、大语言模型（LLM）技术的不断进步，传统的 LLM 虽然强大，但存在知识有限、准确性不足等问题。而检索增强生成（RAG）的出现，大大弥补了 LLM 的不足，有效克服了这些缺点。
目前在使用 DeepSeek 在线环境时，页面经常显示“服务器繁忙，请稍后再试”，以 DeepSeek R1 现在的火爆程度，这个状况可能还会持续一段时间，所以这里给大家提供了 DeepSeek R1 +RAG 的本地部署方案。最后实现的效果是，结合本地部署的三个开源工具，包括 1Panel、Ollama、MaxKB，可以快速搭建一个本地知识库。
还在为 AI 大模型官网卡顿而烦恼？腾讯云满血版 deepseekR1 来拯救！它在语言理解、内容生成、多模态交互等方面远超竞品，响应迅速、知识更新及时，还有严格的安全保障。借助腾讯云大模型知识引擎 LKE，你能轻松搭建私人专属 AI 女友，她温柔体贴，各种需求都能巧妙回应。职场和生活中法律问题不断？别慌！用腾讯云满血版 DeepSeek 搭建个人法律顾问知识库，支持多种格式文件导入，能精准处理知
我们研究如何应用大型语言模型从头开始编写扎根且有组织的长篇文章，其广度和深度与维基百科页面相当。这个尚未充分探讨的问题在写作前阶段提出了新的挑战，包括如何在写作前研究主题并准备大纲。我们提出了STORM ，一种通过检索和多视角提问来合成主题大纲的写作系统。STORM 通过以下方式对预写作阶段进行建模：(1) 在研究给定主题时发现不同的观点，(2) 模拟对话，持不同观点的作者向基于可信互联网来源的主
本系列的初衷是为了从原理去理解Agents，所以我们会用python代码去手搓一个Agent，而不是通过coze，腾讯元器这一些平台去调用工作流。所以可能会有点难度，我们到后面会做一些工作流等一些节点的学习。
前2天，OpenAI的一个全新子域名operator.chatgpt-staging.com被发现，这个便是Sam Altman在最新博客"reflections"中提到的重磅产品 —— OpenAI即将在2025年1月发布的首个AI Agent。这个消息一出，立刻引发了整个AI社区的热议。
这波AI浪潮，很多新词把人都绕晕了，如AIAgent（人工智能代理）、RAG（检索增强生成）、向量知识库、提示词工程、数据提取和解析、自然语言处理（NLP）、知识图谱以及图处理等。本文试图深入探讨这些概念，让大家一下子就能分辨。同时，我试图让他们在AIPaaS（平台即服务）概念框架下整合，便于理解这些异构的概念。第一、AIAgentAIAgent，即人工智能代理，指的是能够感知环境、做出决策并执行
RAG
——RAG
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
DeepSeek技术社区
2048 AI社区
永洪数据分析社区
AI Agent技术社区
