deepseek deepseek 环境搭建 这篇文章是入门文章，没有什么实用价值，仅是将运行deepseek的环境运行起来了。 主要软件 ollama：模型运行平台,https://ollama.com/download open-webui：简单的chat页面，https://github.com/open-webui/open-webui dify ：模型编排平台，https://github.com/langgenius/dify docker python 3.11：open-webui需要的运行时版本 科学上网：https://iovhm.com/book/books/cee63/page/9872e ollama可以直接在容器运行 不用担心在容器运行会有性能损失，经过多年对docker的实践，除了网络方面会有损失外，其他方面并没有损失，可以将网络设置为host模式来规避bridge网络的性能损失。 相反，如果在主机直接运行，各种版本的依赖，新版本的升级，环境更加容易出问题。 version: "3" services: ollama: image: harbor.iovhm.com/hub/ollama/ollama:0.5.12 container_name: ollama restart: always privileged: true ports: - "11434:11434" volumes: - ./ollama:/root/.ollama networks: - vpclub-bridge 安装模型运行平台ollama 模型运行平台下载：https://ollama.com/download 模型备份 每次下载模型都需要很久，可以将模型备份出来 进入到用户文件夹下面，例如 C:\Users\admin.ollama\models ， 将模型复制出来，复制到新的机器对应的目录（未验证） 下载和运行模型 # 显示所有命令行参数 ollama # 所有的命令行 serve Start ollama create Create a model from a Modelfile show Show information for a model run Run a model stop Stop a running model pull Pull a model from a registry push Push a model to a registry list List models ps List running models cp Copy a model rm Remove a model help Help about any command # 运行服务，如果服务没有运行，可以用这个启动服务，非必须，一般安装完成后都会自动运行 ollama serve # 验证安装 ollama -v # 下载模型 ollama pull deepseek-r1:1.5b # 运行模型 # 如果本地没有这个模型，则会自动下载并运行 # 运行后，此时会出现一个对话窗口，可以进行输入文字进行对话 # 键入/bye 或者ctrl+d可以退出对话窗口，模型在后台运行 # 退出对话框后，如果需要再次进入对话框，可以在此run模型 ollama run deepseek-r1:1.5b # 显示已经安装的模型列表 ollama list # 显示所有在运行的模型列表 ollama ps # 显示模型信息 ollama show deepseek-r1:1.5b 使用API对话 默认安装没有修改配置的话，ollama 运行在11343端口，可以使用命令行或者postmain测试 这种方式太简陋，要实现的内容太多，不推荐 curl -X POST -H "Content-Type: application/json" \ -d '{"model": "deepseek-r1:1.5b", "prompt": "你好，世界！"}' \ http://localhost:11434/api/generate 使用open-webui 这是一个简单的兼容多个模型的、兼容openai接口调用方式的可视化界面 下载地址：https://github.com/open-webui/open-webui 文档地址：https://docs.openwebui.com/ 可以直接使用docker运行，docker的安装方式自行百度，优先推荐使用docker安装 # GPU版 docker run -d -p 3000:8080 --gpus all --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:cuda # CPU版 docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main # pip 安装 pip install open-webui -i https://pypi.tuna.tsinghua.edu.cn/simple # python运行 # 此时系统运行在 http://localhost:8080 open-webui serve 详细设置请看：https://iovhm.com/book/books/bbcbf/page/deepseek-docker docker搭建deepseek运行环境和open-webui 这篇文章没有什么实用价值，仅作为快速体验ollama运行环境。或者当做一个附加工具，用来管理和查看ollama环境。 docker-compose.yaml 这个脚本将同时启动ollama 和 open-webui version: "3" services: ollama: image: harbor.iovhm.com/hub/ollama/ollama:0.5.12 container_name: ollama restart: always privileged: true ports: - "11434:11434" volumes: - ./ollama:/root/.ollama networks: - vpclub-bridge # docker-compose --profile open-webui up -d open-webui: # CPU版 image: harbor.iovhm.com/public/open-webui/open-webui:main # GPU版 # image: harbor.iovhm.com/public/open-webui/open-webui:main-gpu container_name: open-webui restart: always privileged: true ports: - "3000:8080" volumes: - ./open-webui:/app/backend/data environment: # 如果你的 ollama 服务器不在本机，请修改此地址，如果OLLAMA_BASE_URLS被设置，则使用OLLAMA_BASE_URLS # - OLLAMA_BASE_URL=http://ollama:11434 # 如果你的 ollama 服务器不在本机，请修改此地址，可以使用分号分割多个地址提供负载均衡能力 - OLLAMA_BASE_URLS=http://ollama:11434 # 关闭 openai api 否则会因为连不上openai而卡界面 - ENABLE_OPENAI_API=false # 禁用自带的 Arena Model模型（竞技场模型） - ENABLE_EVALUATION_ARENA_MODELS=false # 关闭社区分享功能 - ENABLE_COMMUNITY_SHARING=false # 离线模式，不自动从Internet下载模型(非必须，有魔法的话不需要设置) # - HF_HUB_OFFLINE=true # 默认的语义向量模型引擎(非必须) # - RAG_EMBEDDING_ENGINE=ollama # 默认的语义向量模型(非必须) # - RAG_EMBEDDING_MODEL=nomic-embed-text:latest networks: - vpclub-bridge networks: vpclub-bridge: external: name: vpclub-bridge 测试一下服务 打开浏览器，输入ollama的服务地址， http://ip:11434 ,界面提示:Ollama is running ,则表示ollama安装成功了 输入open-webui的地址，http://ip:3000 , 则可以看到open-webui的地址。 但是这个时候可能是白屏，什么都看不到；或者好不容易刷出来界面，设置好用户名密码进入系统后，也是白屏，此时应该去查看open-webui容器的出错提示，多半都是被墙拉取不到镜像的原因。那你需要魔法。 界面打不开，或者进去了也很卡问题解决 打开open-webui等很久，不出来界面，白屏 因为软件有很多外部依赖要下载，如果被墙，下载不到、就一直卡住，可以先不使用openai和不使用内置的语义向量模型模型 # 修改open-webui的环境变量设置 # 关闭 openai api 否则会因为连不上openai而卡界面 - ENABLE_OPENAI_API=false # 默认的RAG引擎(非必须) - RAG_EMBEDDING_ENGINE=ollama # 默认的语义向量模型(非必须) - RAG_EMBEDDING_MODEL=nomic-embed-text:latest 进入软件后，每次刷新都要等很久 关闭使用openai外部链接，修改语义向量模型 修改语义向量模型 进入到ollama容器下载模型 # 安装完成后进入ollma容器 docker exec -it ollama /bin/bash # 查看ollama版本 ollama -v # 下载deepseek模型 ollama run deepseek-r1:7b # 语义向量模型 ollama pull nomic-embed-text 查看系统当前都安装了什么模型 配置知识库 点击上传文件，建议的文件类型为markdown,使用 #### 进行段落区分，如果保存知识库出错，那是因为没有设置正确的语义向量模型 为模型关联知识库，或者在聊天界面使用 # 引用知识库 在聊天界面使用# 引用知识库 那我们就可以开始体验deepseek能力啦，来看看deepseek静静的装B deepseek和dify环境搭建 dify是一个用于构建AI应用的模型编排软件，开箱即用，可以通过拖拉拽的形式，快速组合出一个AI应用，支持接入各厂商的云上模型，也支持接入本地ollama引擎运行的模型。 准备工作 需要魔法：https://iovhm.com/book/books/cee63/page/9872e 镜像代理：https://iovhm.com/book/books/k8s/page/harbordockerdocker 需要升级docker-compose版本：https://github.com/docker/compose/releases 安装ollama并下载模型：https://iovhm.com/book/books/bbcbf/page/deepseek 下载dify源代码：https://github.com/langgenius/dify 安装ollama并下载模型 version: "3" services: ollama: image: harbor.iovhm.com/hub/ollama/ollama:0.5.12 container_name: ollama restart: always privileged: true ports: - "11434:11434" volumes: - ./ollama:/root/.ollama # deploy: # resources: # reservations: # devices: # - driver: nvidia # capabilities: [gpu] # count: all networks: - vpclub-bridge # 下载最少2个模型 # ollama pull deepseek-r1 # ollama pull bge-m3 下载dify源代码，进入到docker目录，修改被墙的docker镜像地址使用魔法地址 下载到源代码后，进入到docker目录，打开docker-compose.yaml，里面总共有26个服务，将镜像地址修改为私有仓库。如果并不打算二次开发和在服务器运行，只需要将docker目录上传到服务器，不需要把dify的所有源代码全部上传。 真正有用的服务只有10个，其他的是各种不同类型的向量数据库 将如下10个服务的镜像地址修改为镜像代理地址，使用docker-compose up -d 即可以将软件运行起来。其他服务是各种不同类型/厂家的向量数据库，根据自己的需要才启动，只有使用 docker-compose --profile=xxxx up -d 才会启动特定的服务。不用担心启动了太多的服务。 为了保持和官方版本升级时候的兼容性，不建议直接修改docker-compose.yaml，比喻把镜像下载回来了重命名一下。 api worker web db redis sandbox ， 一些模型可以调用代码，用于运行代码的沙箱容器 plugin_daemon ， 开发插件用的 ssrf_proxy ， 一个用来防止SSRF_PROXY攻击的代理软件 nginx ， 入口nginx weaviate，向量数据库 env配置文件 官方指导是将 .env.example 复制一个后改名为 .env , 但是需配置项太多，从头看到尾很需要时间，在此我摘抄了一个极简的 .env ，实际上不提供任何 .env文件，也可以运行。如果你的默认的80和443端口被占用，那就需要提供 .env 进行配置更改。 官方文档：https://docs.dify.ai/zh-hans/getting-started/install-self-hosted/environments CONSOLE_API_URL= CONSOLE_WEB_URL= SERVICE_API_URL= APP_API_URL= APP_WEB_URL= FILES_URL= # 对外公布的服务端口 EXPOSE_NGINX_PORT=80 EXPOSE_NGINX_SSL_PORT=443 # 是否开启检查版本策略,若设置为 false,则不调用 https://updates.dify.ai 进行版本检查。 # 由于目前国内无法直接访问基于 CloudFlare Worker 的版本接口, # 设置该变量为空,可以屏蔽该接口调用 CHECK_UPDATE_URL= # 向量数据库配置 VECTOR_STORE=weaviate # Weaviate 端点地址,如:http://weaviate:8080 WEAVIATE_ENDPOINT=http://weaviate:8080 # 连接 Weaviate 使用的 api-key 凭据 WEAVIATE_API_KEY=WVF5YThaHlkYwhGUSmCRgsX3tD5ngdN8pkih 接入ollama并添加模型 进入dify后，点击右上角自己的用户名图标，点击设置，进行模型供应商接入 查看已经增加的模型 增加模型，需要增加2个模型，一个是LLM模型，一个是Text Embeding模型，模型需要先到ollama下载好。 deepseek-r1 ， LLM模型 nomic-embed-text ，文本嵌入模型，对中文的支持不太好 bge-m3 ，文本嵌入模型，支持超过100种语言（建议） 后面的其他参数不知道怎么填，可以使用默认值。 创建知识库 可以使用word、markdown等软件将编写好文档后上传，文档要求是需要有分段关系，既标题->正文，有一定的逻辑关系，如果你不介意，可以用wps ai将文章内容更正得更正式。 创建一个新的知识库，并上传文档 对知识库进行设置 设置检索方式和嵌入式文本模型 创建一个新的应用 在工作室标签下，选择创建空白应用，选择你要创建的应用类型 对应用进行设置 应用的更多设置，比喻开场白，连续提问等。 调试体验一下 此时AI的回复特别生硬，需要修改提示词。 提示词设置 一个好的提示词，对AI的影响非常大，deepseek帮助文档给出了一些参考建议 https://api-docs.deepseek.com/zh-cn/prompt-library/ 还是不知道怎么写？那我们蒸馏一下，让deepseek帮忙生成一个. 如果觉得curl 调用不方便，也可以使用postman工具进行deepseek api调用，此时你需要一个deepseek的api key。 curl --location 'https://api.deepseek.com/chat/completions' \ --header 'Content-Type: application/json' \ --header 'Authorization: Bearer sk-xxxxxxxxxxxxxxxx' \ --data '{ "model": "deepseek-chat", "messages": [ {"role": "system", "content": "你是一位大模型提示词生成专家，请根据用户的需求编写一个智能助手的提示词，来指导大模型进行内容生成，要求：1. 以 Markdown 格式输出\n 2. 贴合用户需求，描述智能助手的定位、能力、知识储备\n 3. 提示词应清晰、精确、易于理解，在保持质量的同时,尽可能简洁\n 4. 使用清晰、简洁的语言回复提问，确保用户容易理解\n 5.使用友好且专业的语气与用户交流，如“您好，关于您的这个问题，我可以为您详细解答。"}, {"role": "user", "content": "请帮我生成一个'\''智慧园区智能问答助手'\''的提示词"} ], "stream": false }' 蒸馏一下deepseek,用魔法打败魔法 到deepseek注册一个账号：https://www.deepseek.com/ 创建一个api key 充值10块钱，就可以用啦。顺便吐槽一下，老说程序员工资太高，但是你们看到别人背后的持续学习成本了吗？5-10年就技术更新一次，知识全部作废，熬夜写文档，买key，买机器，这些成本你们算过吗？你们某些行业，一本小破书就可以用到退休。就别整天BBB了。 看下deepseek蒸馏生成的提示词，我们此基础上稍微修改下。 # 威海智慧谷智慧园区智能问答助手小智提示词 ## 定位 我叫小智，我是威海智慧谷智慧园区智能问答助手，是一个专为园区管理、企业员工及访客设计的智能交互平台。旨在通过自然语言处理技术，提供即时、准确的园区相关信息和服务支持。 ## 能力 1. **信息查询**：能够快速响应关于园区设施、服务、活动等信息的查询。 2. **导航指引**：提供园区内的导航服务，包括建筑物位置、会议室预订等。 3. **问题解答**：解答关于园区政策、安全规定、技术支持等常见问题。 4. **服务预约**：协助用户进行会议室预订、设备租赁等服务预约。 5. **反馈收集**：收集用户对园区服务的反馈和建议，帮助园区管理方优化服务。 ## 知识储备 1. **园区信息**：包括园区地图、设施介绍、服务项目等。 2. **政策法规**：园区相关的政策、规定及安全指南。 3. **技术支持**：常见技术问题的解决方案和操作指南。 4. **服务流程**：各类服务的预约流程、使用指南等。 ## 交互示例 - **用户**：最近的咖啡厅在哪里？ - **助手**：贵宾，您好，园区内最近的咖啡厅位于A栋一楼，营业时间为早上8点到晚上8点。您可以通过园区导航系统找到具体位置。希望我的服务能帮助您。如有任何问题，欢迎随时咨询。 - **用户**：预订一个会议室 - **助手**：贵宾，您好，园区内可预订的会议室有A栋101、B栋202和C栋303，您可以通过园区APP或前台进行预订。希望我的服务能帮助您。如有任何问题，欢迎随时咨询。 - **用户**：...漏水...灯不亮了...门打不开了 - **助手**：贵宾，您好，感谢您的反馈，如果你需要报修，请在智慧谷app提交工单，收到您的工单后，我们会立即安排维修部门上门维修。希望我的服务能帮助您。如有任何问题，欢迎随时咨询。 ## 提示词 - **查询信息**：请告诉我关于... - **导航指引**：我需要找到... - **问题解答**：关于...的问题，我需要帮助。 - **服务预约**：我想预订... - **反馈收集**：我有一些建议/反馈... 再来体验一下 此时AI回复已经很客气啦！ 记得要点右上角的发布按钮哦。找了半天都没找到保存按钮，直接刷新或者关闭页面，可能导致部分内容没有保存 发布应用 点击左上角的应用图标，会弹出来dify已经嵌入好的聊天页面，如果页面风格你不太满意，可以使用API对接自己的定制页面。 deepseek嵌入工作流实现直接驱动业务的探索 背景交代 市面上有很多问答式的AI产品，回复的内容确实很有参考意义，但是开放式的AI的上下文没有关联业务，还是需要先复制出来再修改一遍。 不过研发人员的ide插件可靠度就很高了，基本上都能运行。 那么问题来了，客户他只有一个一次性的需求，还需要研发吗，特别是领导们喜欢提稀奇古怪的问题，一通改下来，最后说还是第一个好，浪费时间还不给钱 生成式大屏逻辑分析 分析用户的输入，例如统计今天成交了多少订单（实际业务肯定比这个要求复杂），不过我们今天是入门尝试，暂不选择很复杂的例子 从知识库查找业务上下游的表、字段关系 将用户输入与表关系（业务上下文），全部传递给deepseek 使用deepseek生成sql语句，驱动http接口执行动态SQL（不安全，不可靠） 那分两步进行，先返回SQL语句，再到大屏设计器里面去绑定语句，这样的话客户自己也可以定制一些大屏了。 开整 在dify里面创建一个工作流应用 在工作流面板上右键，增加各种节点 如我们前面提到的，我们总共需要2个节点来完成，在加上一个开始和一个结束，总共需要四个节点 选中每一种不同类型的节点，都有这个节点的单独属性设置。 开始节点，增加一个输入字段，接受外部的输入 增加一个知识库检索节点，拖拽建立关系，并接受上一个节点的输出，作为本节点的输入 创建一个LLM模型，将知识库的输入绑定的LLM的上下文 重点，提示词和知识库 提示词的重要性我们前面讲过了，可能需要反复尝试 # MYSQL语法生成助手 ## 定位 分析用户的输入，生成MYSQL代码 ## 能力 - 分析用户输入，提取有用的内容 - 请输出MYSQL代码，不输出其他内容 - 只从用户输入中查找数据表、数据字段的映射关系，如果没有找到对应的数据映射关系，则不进行输出 - 只输出最正确内容的唯一一条 - 只输出select语句，对于delete,update,drop等语句不输出 - 只有用户指定的字段才进行查询输出，不要随便轻易输出*，除非用户没有限定条件 - 限定mysql5.7兼容语法，不要输出其他版本的语法 ## 示例 - **用户**：查询用户 - **助手**：select * from users - **用户**：查询年龄在20岁以上的女性用户，输出姓名，身份证号码 - **助手**：select name,idcard from users where age>=20 and sex=1 引用的业务内容上下文，也就是知识库，这个时候就需要精心编辑了,如果你有更好的更简洁的办法，请告诉我，例如直接导入sql表结构 为了验证确实采纳了业务规则，而不是通用回答，我特意把表名增加了前缀vp_xxx # 表名：vp_xxx_user（用户表） ## 字段： - id（用户ID，主键） - name（用户名） - email（用户邮箱） - idcard（身份证） # 表名：vp_xxx_order（订单表） ## 字段： - order_id（订单ID，主键） - user_id（用户ID，关联用户表） - amount（订单金额） - img_url（图片地址） # 表名：vp_xxx_customer（客户表） ## 字段： - id（用户ID，主键） - name（用户名） - email（用户邮箱） - idcard（身份证） 最后一个节点是结束节点，既把一串流程下来的结果输出。 还可以追踪一下每一步的执行情况 验证一下 输入：查询所有年龄在20岁以上的客户，返回姓名和身份证。注意客户与用户的区别 输入：查询所有年龄在20岁以上的用户，返回姓名和身份证。注意客户与用户的区别 输入：查询2024年9月的物业合同。这个表在知识库并不存在，输出了错误的语句，提示词还需要调优 输入：查询2024年9月的订单，返回了正确的结果。 后记 这个例子非常简单，不足以说明能或者不能满足直接驱动业务，但是最少是一种尝试，清晰的知识库、良好的提示词与约束限定、反复的调优，应该是可以满足AI直接驱动业务的。 网站采集工具firecrawl 参考 反正就是一个很牛逼的网站爬取工具，支持纯JS网站，也就是现在流行的VUE等没有html的网站，原理是集成了一个无头chrome浏览器，等页面渲染了才爬取。 特性 整站爬取、单个页面爬取、纯JS网站爬取 提取为LLM支持的markdown格式，当然了，直接爬取HTML是基本操作 只抓取main页面，无意义的重复内容 相关文档和参考地址 官方帮助：https://docs.firecrawl.dev/introduction 网上的资料很多是V0版本的，但是现在firecrawl已经升级到V版本啦，而且v0版本将在2025年4月1日下线：https://docs.firecrawl.dev/v1-welcome github源代码地址：https://github.com/mendableai/firecrawl 安装 下载源代码后，docker-compose build 生成镜像，再使用docker-compose up -d 运行 playwright-service 这是处理纯JS网站的服务，例如现在几乎所有的网站都是动态生成的，所以这个服务是必须的 极简.env文件，其实不要也可以跑 # 核心配置 NUM_WORKERS_PER_QUEUE=8 PORT=3002 HOST=0.0.0.0 REDIS_URL=redis://redis:6379 REDIS_RATE_LIMIT_URL=redis://redis:6379 PLAYWRIGHT_MICROSERVICE_URL=http://playwright-service:3000/html # 数据库及其他可选配置 USE_DB_AUTHENTICATION=false API调用，现在GPT很强大，不懂的文GPT吧 整站爬取 curl -X POST http://localhost:3002/v1/crawl \ -H 'Content-Type: application/json' \ -H 'Authorization: Bearer YOUR_API_KEY' \ -d '{ "url": "https://docs.firecrawl.dev", "limit": 100, "scrapeOptions": { "formats": ["markdown", "html"] } }' 获取爬取状态、或者说是爬取的结果 curl -X GET http://localhost:3002/v1/crawl/ 抓取单个 URL curl -X POST http://localhost:3002/v1/scrape \ -H 'Content-Type: application/json' \ -H 'Authorization: Bearer YOUR_API_KEY' \ -d '{ "url": "https://docs.firecrawl.dev", "formats": ["markdown", "html"] }' 获取网站地图 curl -X POST http://localhost:3002/v1/map \ -H 'Content-Type: application/json' \ -H 'Authorization: Bearer YOUR_API_KEY' \ -d '{ "url": "https://firecrawl.dev" }' `` - 执行搜索 ```shell curl -X POST http://localhost:3002/v1/search \ -H 'Content-Type: application/json' \ -H 'Authorization: Bearer YOUR_API_KEY' \ -d '{ "query": "AI tools", "limit": 5, "scrapeOptions": { "formats": ["markdown"] } }' 结构化数据 curl -X POST http://localhost:3002/v1/extract \ -H 'Content-Type: application/json' \ -H 'Authorization: Bearer YOUR_API_KEY' \ -d '{ "url": "https://example.com", "extract": { "schema": { "type": "object", "properties": { "title": {"type": "string"}, "price": {"type": "number"} } } } }' 批量抓取` curl -X POST http://localhost:3002/v1/batch/scrape \ -H 'Content-Type: application/json' \ -H 'Authorization: Bearer YOUR_API_KEY' \ -d '{ "urls": ["https://example1.com", "https://example2.com"], "options": { "formats": ["markdown"] } }' deepseek提示词小技巧 提示词对模型的影响非常大,如果个人的写作习惯，描述的并不规范，建议大致意思写好后，放到wps使用更正式风格更正一下，或者放到其他AI让AI修正一下。 提示词虽然没有固定要求，但是根据实践，还是有一些格式可以借鉴的 Role: 角色定位，明确模型扮演的身份和职业。例：自动化测试脚本编写专家 Goals: 目标和任务。 例：根据用户需求,使用python和curl两种代码生成测试脚本，放在XML标签内的内容是你的知识储备 Constrains: 约束条件，明确禁止、限制或应该避免的内容。例：如果超出知识库范围，请回答“没有在 Swagger 文档中找到相关内容” OutputFormat： 输出格式，规定输出的具体结构、格式、分段或者展示方法。例：正式回复时，增加固定内容：“经过查找 Swagger 文档，为你生成测试脚本如下：” Example: 示例 Optional: 额外注意事项 。deepseek模型的提示词设计一般分为三个区块 # 威海智慧谷智慧园区智能问答助手 ## 定位 我叫小智，是威海智慧谷智慧园区智能问答助手，是一个专为园区管理、企业员工及访客设计的智能交互平台。旨在通过自然语言处理技术，提供即时、准确的园区相关信息和服务支持。 ## 知识储备 - 放在XML标签内的内容是你的知识储备。 - 你的回答应当精确、简洁，并易于理解。 - 若您无法提供准确的答案，请直接回复“对不起，这个问题我不会回答”，随后立即终止对话，切勿添加任何无关内容。 ## 交互示例 - **用户**：最近的咖啡厅在哪里？ - **助手**：贵宾，您好，园区内最近的咖啡厅位于A栋一楼，营业时间为早上8点到晚上8点。您可以通过园区导航系统找到具体位置。希望我的服务能帮助您。如有任何问题，欢迎随时咨询。 回答的时候不要添加额外的内容，以便于后续程序化处理 ## 知识储备 若您无法提供准确的答案，请直接回复“对不起，这个问题我不会回答”，随后立即终止对话，切勿添加任何无关内容。 限定知识范围 ## 知识储备 放在XML标签内的内容是你的知识储备。 友好的语气回答 ## 交互示例 - **用户**：最近的咖啡厅在哪里？ - **助手**：贵宾，您好，园区内最近的咖啡厅位于A栋一楼，营业时间为早上8点到晚上8点。您可以通过园区导航系统找到具体位置。希望我的服务能帮助您。如有任何问题，欢迎随时咨询。 deepseek开发流程 deepseek的工作路径 根据公开资料显示，LLM的工作方式如下。 人工部分： 采集和创建知识库，可以是文档，结构化数据等，需要进行段落分割，存放到向量数据库。 程序部分 可以是dify等一类的平台，也可以是使用OpenaAI、http接口调用。初创和小公司推荐使用dify。 模型运行部分 这个就不用说了，全国会搞模型的也没几个，可以调ollama运行的本地模型，也可以调用云上模型。 问题，向量化归哪个环节呢 向量化是归于人工部分还是程序部分呢，知识库被向量化的好坏，对模型有阵非常大的影响，我们可以选择手工向量化，也可以使用程序自动向量化 学习路径 既然我们已经弄清楚了deepseek的工作路径，第一步要做的事情就是准备知识库。 采集知识 import requests import json bas_url = "http://localhost:3002/v1/scrape" headers = {"Content-Type": "application/json"} req_data = { "url": "http://www.eweihai.gov.cn/art/2025/3/10/art_159136_5310185.html", "formats": ["markdown", "links"], "includeTags": [".page-bd.article-bd"], "onlyMainContent": True, } response = requests.post(bas_url, headers=headers, data=json.dumps(req_data)) print(response.json()) 构建知识库 编程方式连接到ollama运行模型 import openai base_url = "http://192.168.0.11:11434/v1" api_key = "sk-" ## 阻塞式 response = client.chat.completions.create( model="deepseek-r1:1.5b", messages=[ {"role": "system", "content": "You are a helpful assistant."}, {"role": "user", "content": "Hello!"}, ], stream=False, ) print(response.choices[0].message.content) ## 流式 # response = client.chat.completions.create( # model="deepseek-r1:1.5b", # messages=[ # {"role": "system", "content": "You are a helpful assistant."}, # {"role": "user", "content": "Hello!"}, # ], # stream=True, # ) # for chunk in response: # # 检查块中是否有内容 # if chunk.choices and chunk.choices[0].delta.content: # print(chunk.choices[0].delta.content) 通义千问&&deepseek模型对比 知识库：威海小智问答 问题：如何办理停车月卡 耗时与效果 结论：客服助手选择 deepseek-v3 和 qwen-plus ， 另外，deepseek-chat应该就是deepseek-v3 优秀提示词示例 提示词虽然没有固定要求，但是根据实践，还是有一些格式可以借鉴的 Role: 角色定位，明确模型扮演的身份和职业。 Goals: 目标和任务。 Constrains: 约束条件，明确禁止、限制或应该避免的内容。 OutputFormat： 输出格式，规定输出的具体结构、格式、分段或者展示方法。 Example: 示例 Optional: 额外注意事项 自动化脚本生成专家 - Role: 自动化测试脚本编写专家 - Goals: 根据用户需求,使用python和curl两种代码生成测试脚本，放在XML标签内的内容是你的知识储备 - Constrains: 如果超出知识库范围，请回答“没有在 Swagger 文档中找到相关内容” - OutputFormat：正式回复时，增加固定内容：“经过查找 Swagger 文档，为你生成测试脚本如下：” mock数据生成专家 - Role: 高级数据模拟工程师和API测试专家 - Goals: 根据用户提供的样本数据格式，生成符合要求的测试数据。 - Constraints: 生成的数据必须严格符合用户指定的格式和逻辑，确保数据的准确性和一致性。 - Output Format: 仅输出纯数据内容，不包含任何解释、说明、格式标记（如Markdown符号）、代码块或其他多余符号。请以纯文本形式回答，仅提供文字内容，确保输出中不含任何格式化元素。