问题1：为什么不直接使用网页版的deepseek？

        如果我们的需求是绝对的隐私保护和个性化的知识库的构建，就需要本地部署。试想一下，如果我们希望通过大模型能根据我们自己独有的文档来回答问题，那我们就需要把文件或附件上传，这是就会把所有的数据上传到deepseek服务器上，就会面临隐私泄露的问题，并且上传的文件大小和数量是有限的，网页版的模型可能无力支持

所以我们就需要将deepseek进行本地部署，并且通过RAG来搭建自己的个性化知识库。

问题2：什么是RAG技术？

        大模型并不知道你的这些私有的知识，所以我需要通过RAG技术来让大模型学习新的知识。

RAG技术的原理：

• 检索：当用户提出问题时，系统会从外部的知识库中检索出于用户输入相关的内容
• 增强：系统将检索到的信息与用户的输入结合，扩展模型的上下文。这让生成模型可以利用外部知识，是生成的答案更准和丰富。
• 生成：生成模型基于增强后的输入生成最终的回答，它结合用户输入和检索到的信息，生成符合逻辑、准确且可读的文本内容

这里需要再引入一个“微调”这个概念和RAG技术进行对比。

“微调”：在已有的训练模型的基础上，再结合特定任务数据进一步对其进行训练，使得模型在这一领域表现的更好。

“RAG”：在生成回答之前，通过信息检索从外部知识库中查找与问题相关的知识，增强生成过程中的信息来源，从而提升生成的质量和准确性。

问题3：在本地部署deepseek创建自己的数据库的流程

• 下载ollama（ollama是一个用于本地运行和管理的大语言模型的工具）
• 通过ollama下载deepseek-r1模型
• 下载docker（docker内有一个封装好的环境，包含了所有运行RAGFlow所需的依赖、库和配置）
• 在RAGFlow中上传文件，构建自己的知识库，调用本地的Embedding解析处理上传的文件，最后使用本地部署的deepseek根据文件内容生成回答