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)