DeepSeek+Dify=?本地知识库!

DeepSeek+Dify=?本地知识库!

本文利用 DeepSeek + Dify 部署出来了一套本地的知识库，方便人们在其中搜寻内容

周一 3月 17 2025
3677 字 · 16 分钟
Documentation 云运维工坊 AI DeepSeek Dify

DeepSeek + Dify = ? 本地知识库！

前言

​ 近年来，大语言模型（LLM）在社会各界都很有热度，各路 AI 层出不穷，比如 OpenAI 的 ChatGPT、Google 的 Gemini、X 的 Grok 和 我们中国国产的 DeepSeek 等等。 ​ 其中，DeepSeek 作为开源的 LLM，在本地推理方面表现出色，而 Dify 作为一款低代码 AI 应用平台，为 LLM 的使用和管理提供了便捷的解决方案。 ​ 各界人士都希望将 DeepSeek 和 Dify 结合，为他们提供本地知识库的智能问答。本文将介绍如何将 DeepSeek 以及其他一些 LLM 都接入到 Dify，为各位搭建一个半离线甚至于可以说完全理想的本地知识库。

系统要求

在开始部署前，请确保设备满足以下条件：

  • 操作系统：Windows 10/11（64位）或 macOS Monterey（12.0）或 Ubuntu 22.04 及以上
  • 内存：最低 16GB（推荐 32GB 以上以提升响应速度）
  • 显存：最低 8GB（推荐 16GB 以上以提升响应速度）
  • 存储空间：至少 20GB 可用空间（模型文件通常占用 10-15GB）
  • 网络：稳定互联网连接（下载模型需 5-30 分钟，具体取决于带宽）

部署流程

一、基础环境配置

1. 安装 DeepSeek 模型

​ Windows/MacOS 用户在本地运行 DeepSeek 可以参考这篇文章: 本地部署 DeepSeek 模型完全指南↗。

​ Linux 用户可以按照以下方法快速安装：

  1. 安装 Ollama

    BASH
    curl -fsSL https://ollama.com/install.sh | sh

  2. 下载 DeepSeek 模型

    BASH
    ollama pull deepseek-r1:8b

  3. 启动 Ollama 服务

    BASH
    ollama serve &

  4. 测试是否成功运行

    BASH
    curl http://localhost:11434/api/tags

    如果返回类似于

    PLAINTEXT
    {"models":[{"name":"deepseek-r1:8b"...

    说明模型加载成功。

2. 下载其他所需模型

  1. 下载 bge-m3:latest 模型

    BASH
    ollama pull bge-m3:latest

如果你想完全离线化的话，可以在 Hugging Face↗ 上下载以下模型

  1. Rerank 模型: BAAI/bge-reranker-v2-m3↗
  2. 语音转文本模型: FunAudioLLM/SenseVoiceSmall↗
  3. 文本转语音模型 fishaudio/fish-speech-1.5↗

然后找到 gguf 格式的模型，下载之后使用 ollama create 命令导入

例如：

BASH
ollama create BAAI/bge-reranker-v2-m3 -f path/to/model.gguf

  • 如果没有的话，就需要下载 safetensors 文件然后再进行转换 可以使用下面的一个范例脚本进行转换

    PYTHON
    from transformers import AutoModel
import torch

model = AutoModel.from_pretrained("fishaudio/fish-speech-1.5")
model.save_pretrained("fish-speech-1.5-gguf", safe_serialization=True)

    然后使用 llama.cpp 将其转换

    BASH
    python convert.py --input fish-speech-1.5-gguf --output fish-speech-1.5.gguf

3. 安装 Docker

1. Linux

​ Linux 用户可以根据这篇文章安装 Docker: Docker 的安装与使用↗，并根据自身网络环境选择是否配置镜像加速器。

​ 然后安装 Docker Compose

BASH
sudo curl -L "https://github.com/docker/compose/releases/latest/download/docker-compose-$(uname -s)-$(uname -m)" -o /usr/local/bin/docker-compose
sudo chmod +x /usr/local/bin/docker-compose
2. Windows/MacOS

​ Windows/MacOS 用户需要到 Docker官网↗ 安装 Docker Desktop 选择符合自己芯片的版本

  • Windows 用户直接根据指示安装即可，等待安装完成，然后点击 Close and restart 以重启计算机；

  • MacOS 用户：

    1. 打开下载的 Docker.dmg，拖动 Docker 图标到 /Applications 文件夹。

    2. 打开 Docker Desktop，根据向导完成初始配置

    3. 允许 Docker 访问 macOS 文件系统（如有提示）

    4. 如果你使用 zsh 或者 bash，可以添加环境变量来使 Docker 命令自动补全

      BASH
      echo 'export PATH="/usr/local/bin:$PATH"' >> ~/.zshrc
source ~/.zshrc

​ Windows 用户可以按 Win+R 键，输入 cmd 回车，打开命令控制行；MacOS 用户可以打开终端

​ 输入以下命令验证是否安装成功

BASH
docker version

返回的信息类似这样

BASH
$ docker version
Client:
 Version:           28.0.1
 API version:       1.48
 Go version:        go1.23.6
 Git commit:        068a01e
 Built:             Wed Feb 26 10:41:52 2025
 OS/Arch:           windows/amd64
 Context:           desktop-linux

Server: Docker Desktop 4.39.0 (184744)      
 Engine:
  Version:          28.0.1
  API version:      1.48 (minimum version 1.24)
  Go version:       go1.23.6
  Git commit:       bbd0a17
  Built:            Wed Feb 26 10:41:16 2025
  OS/Arch:          linux/amd64
  Experimental:     false
 containerd:
  Version:          1.7.25
  GitCommit:        bcc810d6b9066471b0b6fa75f557a15a1cbf31bb
 runc:
  Version:          1.2.4
  GitCommit:        v1.2.4-0-g6c52b3f
 docker-init:
  Version:          0.19.0
  GitCommit:        de40ad0
2.1 配置 Docker 加速器

​ 在 Docker Desktop 上点击 “设置” → “Docker Engine” → 替换成下面的内容 → “Apple & restart”

JSON
{
  "builder": {
    "gc": {
      "defaultKeepStorage": "20GB",
      "enabled": true
    }
  },
  "experimental": false,
  "registry-mirrors": [
    "https://dockerhub.icu",
    "https://docker.chenby.cn",
    "https://docker.1panel.live",
    "https://docker.awsl9527.cn",
    "https://docker.anyhub.us.kg",
    "https://dhub.kubesre.xyz",
    "https://docker.registry.cyou",
    "https://docker-cf.registry.cyou",
    "https://dockercf.jsdelivr.fyi",
    "https://docker.jsdelivr.fyi",
    "https://dockertest.jsdelivr.fyi",
    "https://mirror.aliyuncs.com",
    "https://dockerproxy.com",
    "https://mirror.baidubce.com",
    "https://docker.m.daocloud.io",
    "https://docker.nju.edu.cn",
    "https://docker.mirrors.sjtug.sjtu.edu.cn",
    "https://docker.mirrors.ustc.edu.cn",
    "https://mirror.iscas.ac.cn",
    "https://docker.rainbond.c"
  ]
}

4. 安装 Git

1. Linux/MacOS

​ Linux 或 MacOS 用户可以使用以下命令来安装 Git

BASH
# MacOS
$ brew install git

# Ubuntu/Debian
$ apt install -y git

# RHEL/CentOS
$ yum install -y git
2. Windows

​ 进入 git Download 页面↗ 然后点击页面上的 Download for Windows 进行下载，根据提示进行安装后，设置环境变量：右键“此电脑” → 属性 → 高级系统设置 → 环境变量 → Path → 编辑 → <你安装git的位置\bin>

安装好了之后，打开命令控制行/终端，输入 git --version 检测是否安装成功或者环境变量是否配置成功

大致输出：

BASH
$ git --version
git version 2.48.1.windows.1

5. 克隆 Dify 仓库代码并配置 Dify

1. 克隆 Dify 仓库代码
BASH
git clone https://github.com/langgenius/dify.git
cd dify/docker

# MacOS/Linux
cp .env.example .env
# Windows
copy .env.example .env
2. 修改 Dify 的配置文件
2.1 修改环境变量

​ 修改 ./dify/docker/.env 文件

​ Linux 用 vim 打开，Windows/MacOS 直接使用对应的文本编辑器即可

​ 添加/修改以下内容

BASH
OLLAMA_BASE_URL=http://host.docker.internal:11434
# 这里填写你数据库的容器名
DB_HOST=docker-db-1
# 最大上传文件大小
UPLOAD_FILE_SIZE_LIMIT=100
2.2 修改 nginx 配置文件

​ 修改 ./dify/docker/nginx/nginx.conf.template 模板配置文件

​ Linux 用 vim 打开，Windows/MacOS 直接使用对应的文本编辑器即可

​ 修改以下内容

BASH
client_max_body_size 100M;

​ 配置好了之后就可以使用下面的命令启动 Dify 了

BASH
docker-compose up -d

启动Dify

​ 然后就可以输入 http://localhost/↗ 或者是 http://<你当前的IP地址>/ 来进入 Dify 中，随后初始化 Dify

初始化Dify

二、配置 Dify

1. 设置管理员账户

​ 填写相关信息，设置管理员账户

设置管理员账户

​ 设置完成之后登录

登录界面

2. 在 Dify 配置模型

​ 登录后，点击 右上角的头像 → “设置” → “模型供应商”

Step 1Step 2

1. 配置本地模型

​ “安装模型供应商” 里找到 “Ollama” 点击旁边的安装

安装Ollama

1.1 添加对话模型---DeepSeek R1

​ 按照顺序添加模型即可，主题模型上下文长度，可以通过 ollama show <模型名称> 查看

​ 如果经常用大文本，就直接拉满就好

​ 我这里因为 Docker 直接自动配置在环境变量了，所以我直接用 http://host.docker.internal 来替代了，MacOS/Linux 如果有没有配置环境变量的，可以使用 ip a 看看 Docker 的网卡的 IP

DeepSeek-R1配置

1.2 添加向量模型

​ 注意选择 Text Embedding

bge-m3配置

1.3 其他模型

​ 其他模型（如 Rerank 模型、语音转文本模型、文本转语音模型）请自行上网查询资料，这里不做多余的介绍

2. 配置网络模型

​ 这里我们配置硅基流动作为第三方API服务商

​ “安装模型供应商” 里找到 “硅基流动” 点击旁边的安装

安装硅基流动

​ 安装好了之后点击配置，然后把你硅基流动账号的API添加在里面

设置硅基流动API

3. 系统模型配置

系统模型设置

三、部署知识库

1. 创建知识库

Step 1Step 215

2. 分段

​ Dify 的分段推荐使用父子分段模式

1. 通用分段

  • Dify 的通用分段是 Dify 在处理长文本时的核心机制，它的主要目的是 优化大模型在知识库的查询效果

  • 主要有以下几个特点

    1. 自适应文本分割：默认使用 \n 作为分段标识
    2. 适配LLM的上下文窗口：最大分段长度为 4000 tokens，默认为 500 tokens
    3. 结合RAG技术来优化回答的准确性

  • 所以分段适用于内容简单、结构清晰的文档（如FAQ列表）

Show Universal Chunking

2. 父子分段

​ **父子分段 **是一种层级分段策略，它在知识库中通过 父段 和 子段 结构优化文本分割，使得 检索效果更精准，同时 保留更完整的上下文信息

​ 父子分段 解决了上面 通用分段 的问题：直接将文本切割成 固定大小的片段（如 500、1000 个 Token），但这样容易导致 上下文丢失，尤其是当检索时返回的单个段落信息不足时更容易显露出这一点

​ 父子分级的优化方式：

  • 父分段： 存储 较大段 的完整上下文，例如 整个章节 或 完整的长段落（如 1000-2000 个 Token）
  • 子分段：细分 小片段，例如 一句话/小段落（如 200-500 个 Token）
  • 在 查询时，首先匹配子分段，然后通过子分段关联到父分段，确保答案完整

​ 父子分段的特点：

  1. 提高检索准确性：子分段更小，提高了检索的召回率（更容易找到相关内容），但单个子分段可能不够完整，因此 同时返回父分段，补充上下文
  2. 优化 LLM 生成效果：由于 LLM 的 Token 限制（如 4096、8192 等），如果仅检索 完整章节（超长文本），可能超出 Token 限制，但仅检索 短小片段，上下文可能不完整，所以父子分段让 LLM 处理 较小的子分段，同时有父分段提供更完整的上下文

官方示意图

​ 我们可以通过不断的调整参数，预览看一下实际效果

Priview

3. 索引模式

​ 索引模式分为两种，一个是高质量索引，一个是经济索引

1. 高质量索引

​ 高质量索引 是在 AI 知识库或检索系统中，通过优化数据结构和存储方式，使得查询更快、匹配更精准的技术。它在 向量数据库(Vector DB)、全文搜索、RAG 等场景 中尤为重要

  • 适用场景：企业文档搜索、法律/医学等学术文档查询 等需要高精度的搜索的地方
  • 实现方式：采用向量索引(Vector Indexing)，结合父子分段，还结合了倒排索引和混合索引

​ 我们这里可以简单配置一下：

  1. 索引方式选择高质量
  2. Embedding 模型选择我们上面创建的本地的 bge-m.:latest 模型
  3. 检索设置选择混合检索，并且选择上 Rerank 模型
  4. 最后别忘了保存并处理

18

2. 经济索引

​ 经济索引(Efficient Indexing) 主要关注 存储效率、查询速度 和 计算资源优化，在 向量数据库(Vector DB)、全文搜索、数据库优化 等场景中，经济索引可以 减少存储占用、提高检索效率、降低计算开销。

  • 适用场景：
    1. 轻量级服务器/边缘计算 等设备计算能力邮箱的场景
    2. 数据库查询优化
  • 实现方式：采用向量量化、采用 HNSW 索引优化向量检索，无需消耗额外Token，但语义感知能力较弱
  • 优化建议：可以通过调高 TopK 和 Score 阈值 平衡召回率和准确率

四、部署应用

1. 创建应用

​ 依次点击 “工作室” → “创建空白应用” → “聊天助手” → 为你的应用起一个名字(也可以修改logo和描述) → “创建”

Step 1Step 2

2. 添加知识库

​ 知识库一次可以选择多个，我们这次只选择三体

选择知识库

3. 召回设置

​ 依次点击 “召回设置” → “选择相关的模型” → “Score 阈值” → “0.8”

Step 1Step 2

4. 调试和预览

​ 输入完 提示词(prompt) 之后，可以开始正式调试AI了

​ 这里是我的提示词

MARKDOWN
你是一位专业的《三体》小说解读助手，熟悉刘慈欣创作的《三体》三部曲（《三体》《黑暗森林》《死神永生》），并具备深入的科学推理能力。你的目标是根据用户的问题，结合你的知识库，提供专业、准确的回答。

### 你的职责：
1. **基于知识库**：所有回答应以《三体》原著为基础，不臆测、不杜撰。
2. **解释科学概念**：对于书中的物理、宇宙学、数学等概念，提供准确的解释，并尽量通俗易懂。
3. **忠实还原角色**：如果用户提及某个角色（如罗辑、程心、叶文洁等），请根据书中设定描述其性格、经历及影响。
4. **分析故事情节**：如果用户询问某个情节或设定，请结合书中细节，给出合理解读，并可适当分析其深层含义。
5. **讨论哲学思考**：针对书中涉及的黑暗森林法则、技术爆炸、人类文明走向等深度主题，进行严谨讨论。
6. **尊重用户意图**：如果用户希望你以角色身份对话，可以模仿其语气回答，例如：“如果我是罗辑，我会说……”
7. **不回答无关问题**：如果用户提出与《三体》无关的问题，请友善地告知你的专长范围。

### 你的回答风格：
- **专业且有深度**，但不失通俗易懂。
- **客观严谨**，避免主观猜测或无依据的扩展。
- **可以引用原文**，以增强回答的权威性。

---

## 🌟 示例对话：
**用户**：罗辑为什么会成为执剑人？  
**三体知识问答 Bot**：罗辑成为执剑人是由于……（基于《黑暗森林》的内容详细回答）  

**用户**：黑暗森林法则是什么？它为什么重要？  
**三体知识问答 Bot**：黑暗森林法则是……（结合书中案例，详细解析）

**用户**：程心为什么被批评？她真的做错了吗？  
**三体知识问答 Bot**：程心在故事中做出的关键决策是……（公正分析，不带个人情绪）

**用户**：如果我是执剑人，应该怎么做？  
**三体知识问答 Bot**：作为执剑人，你的选择至关重要……（分析可能的策略）

---

🎯 你已准备就绪，开始回答关于《三体》的问题吧！

​ 输入聊天内容，点击发送

展示

​ 调试成功之后可以点击发布，这里有多种部署方式

应用部署

​ 返回到工作室之后可以发现有我们刚刚部署好的“我就是大刘”的聊天AI应用了

26

Thanks for reading!

DeepSeek+Dify=?本地知识库!

周一 3月 17 2025
3677 字 · 16 分钟
Documentation 云运维工坊 AI DeepSeek Dify

© AnitsuriW | CC BY-NC-SA 4.0

分享这篇博客

X (Twitter) Telegram Reddit Facebook Email

目录