在人工智能时代，企业或个人需要高效管理私有知识，并通过智能问答系统快速获取信息。本文将介绍如何结合 DeepSeek-R1 大模型 和 Dify 平台，快速构建一个支持私有知识库的智能问答系统。

---

一、技术选型

1. DeepSeek-R1
   • 国内开源的先进大语言推理模型，支持长文本处理和复杂推理，适合私有知识库场景。
   • 优势：低成本部署、支持中文语境、可离线运行。
2. Dify
   • 开源的 LLM 应用开发平台，提供可视化界面和 API 集成能力。
   • 优势：零代码配置知识库、支持多模型接入、支持流式响应。

---

二、环境准备

1. 安装 DeepSeek-R1 本地服务

方法一：使用 Docker 快速部署

# 拉取 DeepSeek-R1 镜像（以 7B 模型为例）
docker pull deepseek-ai/deepseek-r1-7b-chat
# 启动容器
docker run -d \
--name deepseek-r1 \
-p 8000:8000 \
-e MODEL_NAME=deepseek-r1-7b-chat \
deepseek-ai/deepseek-r1-7b-chat

方法二：本地 Python 环境部署

# 克隆模型仓库

git clone https://github.com/deepseek-ai/DeepSeek-R1.git

cd DeepSeek-R1

# 安装依赖

pip install -r requirements.txt

# 启动服务（默认端口 8000）

python app.py --model deepseek-r1-7b-chat

验证服务

curl http://localhost:8000/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{
"model": "deepseek-r1-7b-chat",
"messages": [{"role": "user", "content": "你好，介绍一下自己"}],
"temperature": 0.7
}'

2. 部署 Dify 平台

使用 Docker 部署

# 拉取 Dify 镜像

docker pull langgenius/dify-api

docker pull langgenius/dify-web

# 启动后端 API

docker run -d \

--name dify-api \

-p 5001:5001 \

-v dify-data:/app/data \

-e DATABASE_URL="sqlite:////app/data/dify.db" \

langgenius/dify-api


# 启动前端 Web

docker run -d \

--name dify-web \

-p 8188:80 \

-e API_BASE_URL="http://localhost:5001" \

langgenius/dify-web

访问 Dify

• 打开浏览器访问 http://localhost:8188，完成初始配置。

---

三、构建私有知识库

1. 准备知识库数据

创建 knowledge_base.jsonl 文件，格式如下：

{"content": "公司成立于2010年，专注于AI技术研发。", "metadata": {"source": "公司官网"}}
{"content": "核心产品包括智能客服、数据分析平台。", "metadata": {"source": "产品手册"}}
{"content": "2023年获得国家科技进步奖。", "metadata": {"source": "新闻报道"}}

2. 在 Dify 中导入知识库

1. 登录 Dify 后，进入 「知识库」 页面。
2. 点击 「新建知识库」，选择 「文件上传」。
3. 上传 knowledge_base.jsonl 文件，完成向量化存储。

---

3. 配置 DeepSeek-R1 模型

1. 进入 「模型」 页面，点击 「新建模型」。
2. 填写配置：
   • 模型名称：deepseek-r1-private
   • API 地址：http://localhost:8000/v1/chat/completions
   • 认证方式：无（本地部署无需认证）
3. 保存配置。

---

4. 创建智能问答应用

1. 进入 「应用」 页面，点击 「新建应用」。
2. 配置应用：
   • 应用名称：私有知识库问答
   • 模型：选择 deepseek-r1-private
   • 知识库：关联之前创建的知识库
3. 设置提示词模板：

你是一个智能助手，负责回答关于公司私有知识的问题。
请基于以下知识库内容回答：
{{knowledge}}


如果问题无法回答，请回复："抱歉，我无法提供相关信息。"

设置完毕，保存并发布应用。

---

四、测试与优化

1. 测试问答效果

在 Dify 的 「测试」 页面输入问题：

• 输入：公司的主要产品是什么？
• 预期输出：核心产品包括智能客服、数据分析平台。

2. 优化知识库

• 如果回答不准确，检查知识库内容是否覆盖问题。
• 通过 「日志」 页面分析用户问题，补充缺失的知识。

3. 高级配置（可选）

自定义 API 请求

如果需要更复杂的请求逻辑，可以修改 Dify 的模型配置：

{
"url": "http://localhost:8000/v1/chat/completions",
"headers": {"Content-Type": "application/json"},
"body": {
"model": "deepseek-r1-7b-chat",
"messages": [
{"role": "system", "content": "你是一个专业助手。"},
{"role": "user", "content": "{{query}}"}
],
"temperature": 0.5
}
}

流式响应

在 Dify 的模型配置中启用流式响应：

{
"stream": true
}

五、完整代码示例

1. DeepSeek-R1 本地服务启动脚本 (start_deepseek.sh)

#!/bin/bash

docker run -d \

--name deepseek-r1 \

-p 8000:8000 \

-e MODEL_NAME=deepseek-r1-7b-chat \

deepseek-ai/deepseek-r1-7b-chat



echo "DeepSeek-R1 服务已启动，访问 http://localhost:8000"

2. Dify 启动脚本 (start_dify.sh)

#!/bin/bash

docker run -d \

--name dify-api \

-p 5001:5001 \

-v dify-data:/app/data \

-e DATABASE_URL="sqlite:////app/data/dify.db" \

langgenius/dify-api



docker run -d \

--name dify-web \

-p 8188:80 \

-e API_BASE_URL="http://localhost:5001" \

langgenius/dify-web



echo "Dify 平台已启动，访问 http://localhost:8188"

3. 知识库数据生成脚本 (generate_knowledge.py)

import json



# 示例知识库数据

knowledge_entries = [

{"content": "公司总部位于北京，拥有200名员工。", "metadata": {"source": "公司年报"}},

{"content": "2024年计划推出新一代AI芯片。", "metadata": {"source": "内部会议纪要"}},

]



# 保存为 JSONL 文件

with open("knowledge_base.jsonl", "w") as f:

for entry in knowledge_entries:

f.write(json.dumps(entry) + "\n")



print("知识库数据已生成到 knowledge_base.jsonl")

---

六、总结

通过 DeepSeek-R1 + Dify 的组合，可以快速构建一个高效、低成本的私有知识库问答系统。

• 优势：
  • 完全离线可控，保障数据安全。
  • 支持动态更新知识库，适应业务变化。
  • 可扩展性强，支持多模型切换。

---

附：完整项目结构

	private-knowledge-base/
	├── start_deepseek.sh # DeepSeek 启动脚本
	├── start_dify.sh # Dify 启动脚本
	├── generate_knowledge.py # 知识库数据生成脚本
	└── knowledge_base.jsonl # 知识库数据文件