bt欧美区,苍井空浴缸大战猛男120分钟

知道DeepSeek R1有多挑戰(zhàn)OpenAi O1型號：DeepSeek R1 vs Openai O1：哪一個更快，更便宜，更聰明？?

>在您的終端中運(yùn)行以下命令：

。這樣可以防止在純文本中暴露憑據(jù)。

存儲為環(huán)境變量。這允許代碼的其他部分訪問OpenAI Services

。

，而不是將整個文檔作為一個單元處理。

這些嵌入被存儲在Chromadb

11。創(chuàng)建一個基於抹布的鏈

>使用DeepSeek R1

打開AI嵌入模型

> DeepSeek R1- Openai的O1最大競爭對手在這裡！

首頁

科技週邊

人工智慧

如何使用DeepSeek R1構(gòu)建抹布系統(tǒng)？

William Shakespeare

Mar 07, 2025 am 09:39 AM

>我已經(jīng)閱讀了很多有關(guān)RAG和AI代理商的信息，但是隨著DeepSeek V3和DeepSeek R1等新模型的發(fā)布，似乎建立有效的抹布系統(tǒng)的可能性已大大提高，提供了更好的檢索準(zhǔn)確性，增強(qiáng)的推理能力，以及對現(xiàn)實(shí)世界應(yīng)用程序的更可擴(kuò)展的架構(gòu)。更複雜的檢索機(jī)制，增強(qiáng)的微調(diào)選項(xiàng)和多模式功能的整合正在改變AI代理與數(shù)據(jù)相互作用的方式。它提出了有關(guān)傳統(tǒng)抹布方法是否仍然是前進(jìn)的最佳方法，或者較新的體系結(jié)構(gòu)是否可以提供更有效且上下文意識到的解決方案的問題。

檢索效果生成（RAG）系統(tǒng)通過結(jié)合基於檢索的基於檢索和生成的方法來產(chǎn)生更準(zhǔn)確和上下文感知的響應(yīng)，從而徹底改變了AI模型與數(shù)據(jù)相互作用的方式。隨著> DeepSeek R1的出現(xiàn)，這是一種以其效率和成本效益而聞名的開源模型，建立有效的抹布系統(tǒng)變得更加易於訪問和實(shí)用。在本文中，我們將使用DeepSeek R1構(gòu)建一個抹布系統(tǒng)。

>目錄的表

>使用DeepSeek R1用於RAG System
>使用DeepSeek R1

什麼是deepseek r1？

deepSeek r1是一種開源的AI模型，其目的是提供高質(zhì)量的推理和檢索功能，以諸如Openai產(chǎn)品（例如OpenAI的產(chǎn)品）成本的一小部分。它具有MIT許可證，使其在商業(yè)上可行，適合廣泛的應(yīng)用程序。另外，這個強(qiáng)大的模型可讓您看到嬰兒床，但是OpenAI O1和O1-Mini不會顯示任何理由令牌。?

知道DeepSeek R1有多挑戰(zhàn)OpenAi O1型號：DeepSeek R1 vs Openai O1：哪一個更快，更便宜，更聰明？?

>將DeepSeek R1用於抹布系統(tǒng)的好處 >使用DeepSeek-R1構(gòu)建檢索功能的一代（RAG）系統(tǒng)提供了幾個顯著優(yōu)勢：

1。先進(jìn)的推理能力：DeepSeek-R1通過在得出結(jié)論之前逐步分析和處理信息來模擬類似人類的推理。這種方法增強(qiáng)了系統(tǒng)處理複雜查詢的能力，尤其是在需要邏輯推理，數(shù)學(xué)推理和編碼任務(wù)的領(lǐng)域。

2。開源可訪問性：根據(jù)MIT許可證發(fā)布，DeepSeek-R1是完全開源的，使開發(fā)人員無限制地訪問其模型。這種開放性促進(jìn)了自定義，微調(diào)和集成到各種應(yīng)用程序中，而沒有通常與專有模型相關(guān)的限制。

3。競爭性能：基準(zhǔn)測試表明，DeepSeek-R1在涉及推理，數(shù)學(xué)和編碼的任務(wù)中，諸如OpenAI的O1之類的領(lǐng)先模型（例如OpenAI的O1）上的領(lǐng)先模型。這種級別的性能確保了用DeepSeek-R1構(gòu)建的抹布系統(tǒng)可以在各種和具有挑戰(zhàn)性的查詢中提供高質(zhì)量，準(zhǔn)確的響應(yīng)。

4。思維過程中的透明度：>採用了“經(jīng)過思考”方法，使其推理步驟在推理過程中可見。這種透明度有助於調(diào)試和完善系統(tǒng)，同時通過提供對決策過程的清晰見解來建立用戶信任。 5。成本效益

：DeepSeek-R1的開源性質(zhì)消除了許可費(fèi)，其有效的體系結(jié)構(gòu)降低了計算資源要求。這些因素為希望實(shí)施複雜的抹布系統(tǒng)而不會產(chǎn)生巨大費(fèi)用的組織有助於更具成本效益的解決方案。

將DeepSeek-R1整合到抹布系統(tǒng)中，提供了高級推理能力，透明度，性能和成本效率的有效組合，使其成為旨在增強(qiáng)其AI功能的開發(fā)人員和組織的令人信服的選擇。 >使用DeepSeek R1 構(gòu)建抹布系統(tǒng)的步驟

腳本是一個檢索型的一代（抹布）管道：

>

>通過將其分成頁面並提取文本來加載和處理PDF文檔

。

。當(dāng)詢問查詢時，使用相似性搜索檢索相關(guān)內(nèi)容
基於檢索到的文本生成響應(yīng)。 >安裝先決條件
>>下載ollama：
>單擊此處下載> 對於Linux用戶：

>在您的終端中運(yùn)行以下命令：

之後，使用：> 這將需要一點(diǎn)時間才能下載：>
執(zhí)行此操作後，打開jupyter筆記本，然後從編碼部分開始：> 1。安裝依賴項(xiàng)

langchain→使用大語言模型（LLM）構(gòu)建應(yīng)用程序的框架。

> langchain-openai→提供與OpenAI服務(wù)的集成。

>蘭鏈 - 社區(qū)→增加了對各種文檔加載程序和實(shí)用程序的支持。

langchain-chroma→啟用與矢量數(shù)據(jù)庫Chromadb的集成。

2。輸入OpenAI API鍵

>要訪問OpenAI的嵌入模型，該腳本會提示用戶使用getPass（）安全地輸入其API鍵

。這樣可以防止在純文本中暴露憑據(jù)。

3。設(shè)置環(huán)境變量腳本

將API鍵

存儲為環(huán)境變量。這允許代碼的其他部分訪問OpenAI Services

，而無需硬編碼憑據(jù)

，可以提高安全性。 4。初始化OpenAI嵌入 腳本初始化了一個名為“ text-embedding-3-small”的OpenAI嵌入模型。該模型將文本轉(zhuǎn)換為向量嵌入

，這是文本含義的高維數(shù)字表示。這些嵌入後來用於比較和檢索類似的內(nèi)容

。

5。加載並拆分PDF文檔 > pdf文件（Agenicai.pdf）已加載並分成頁面>。提取每個頁面文本，允許

較小，更易於管理的文本塊

，而不是將整個文檔作為一個單元處理。

6。創(chuàng)建並存儲矢量數(shù)據(jù)庫 從PDF中提取的文本轉(zhuǎn)換為vector嵌入

。

這些嵌入被存儲在Chromadb

中，一個高性能

。 數(shù)據(jù)庫使用餘弦相似性
7。使用相似性閾值檢索相似的文本使用Chromadb創(chuàng)建a retiever
>根據(jù)給定查詢搜索最相似的

基於0.3的相似性閾值過濾結(jié)果，這意味著文檔必須至少具有30％的相似性才能符合相關(guān)性。

>

8。查詢類似文檔使用了兩個測試查詢：

“印度的舊首都是什麼？” >
，這表明存儲的文檔不包含相關(guān)信息。

“什麼是代理AI？”

成功檢索相關(guān)的文本

- 9。建造一個抹布（檢索儀）鏈
rag Pipeline
>
- >文本檢索發(fā)生。 >
>是一種針對基於檢索的任務(wù)的功能強(qiáng)大的LLM。
11。創(chuàng)建一個基於抹布的鏈

langchain's檢索模塊用於：
>
從矢量數(shù)據(jù)庫中

獲取相關(guān)內(nèi)容 使用提示模板
>格式化結(jié)構(gòu)化響應(yīng)
- 12。測試抹布鏈
- 腳本運(yùn)行一個測試查詢：“告訴領(lǐng)導(dǎo)者對代理AI的看法”
- llm嚴(yán)格使用檢索到的上下文生成基於事實(shí)的響應(yīng)。
>從數(shù)據(jù)庫中檢索相關(guān)信息。
>使用DeepSeek R1
構(gòu)建抹布系統(tǒng)的代碼
這是代碼：

>安裝OpenAI和Langchain依賴項(xiàng)
輸入打開AI API鍵

>設(shè)置環(huán)境變量

打開AI嵌入模型

創(chuàng)建一個向量db並持續(xù)在磁盤上
```
curl -fsSL https://ollama.com/install.sh | sh
```
與閾值檢索相似性
```
ollama pull deepseek-r1:1.5b
```
```
ollama pull deepseek-r1:1.5b

pulling manifest
pulling aabd4debf0c8... 100% ▕████████████████▏ 1.1 GB                         
pulling 369ca498f347... 100% ▕████████████████▏  387 B                         
pulling 6e4c38e1172f... 100% ▕████████████████▏ 1.1 KB                         
pulling f4d24e9138dd... 100% ▕████████████████▏  148 B                         
pulling a85fe2a2e58e... 100% ▕████████████████▏  487 B                         
verifying sha256 digest 
writing manifest 
success 
```
構(gòu)建抹布鏈
```
!pip install langchain==0.3.11
!pip install langchain-openai==0.2.12
!pip install langchain-community==0.3.11
!pip install langchain-chroma==0.1.4
```
>加載連接到LLM
```
from getpass import getpass
OPENAI_KEY = getpass('Enter Open AI API Key: ')
```
langchain語法用於抹布鏈
```
import os
os.environ['OPENAI_API_KEY'] = OPENAI_KEY
```
```
from langchain_openai import OpenAIEmbeddings
openai_embed_model = OpenAIEmbeddings(model='text-embedding-3-small')
```
```
from langchain_community.document_loaders import PyPDFLoader
loader = PyPDFLoader('AgenticAI.pdf')
pages = loader.load_and_split()
texts = [doc.page_content for doc in pages]

from langchain_chroma import Chroma
chroma_db = Chroma.from_texts(
texts=texts,
collection_name='db_docs',
collection_metadata={"hnsw:space": "cosine"}, # Set distance function to cosine
embedding=openai_embed_model
)
```
>查看我們有關(guān)DeepSeek工作和與類似模型進(jìn)行比較的詳細(xì)文章：

> DeepSeek R1- Openai的O1最大競爭對手在這裡！
>
```
similarity_threshold_retriever = chroma_db.as_retriever(search_type="similarity_score_threshold",search_kwargs={"k": 3,"score_threshold": 0.3})

query = "what is the old capital of India?"
top3_docs = similarity_threshold_retriever.invoke(query)
top3_docs
```
>使用DeepSeek-V3
構(gòu)建AI應(yīng)用程序
> deepSeek-v3 vs gpt-4o vs llama 3.3 70b
```
[]
```
deepseek v3 vs gpt-4o：哪個更好？
deepseek r1 vs openai o1：哪個更好？
```
query = "What is Agentic AI?"
top3_docs = similarity_threshold_retriever.invoke(query)
top3_docs
```
>
如何訪問DeepSeek Janus Pro 7b？

結(jié)論
- > DeepSeek R1