如何用DeepSeek搭建内部文档智能检索系统-人工智能-PHP中文网

deepseek网页版无法用于企业知识库，因其仅为纯对话接口，不支持文档上传、切片、向量化及向量库存储等rag必需功能，上传文件不会持久化，也无法实现内部文档语义检索。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

如何用deepseek搭建内部文档智能检索系统

能直接用，但必须绕开官方网页版——它不开放文档索引能力。内部文档检索本质是 RAG（检索增强生成）闭环，核心在本地数据接入、向量化和语义召回，不是调 API 那种“问答即服务”。

为什么不能直接用 deepseek.com 网页版做企业知识库

网页版 deepseek.com 是纯对话接口，不提供文档上传、切片、embedding、向量入库等 RAG 必需环节。它连 KnowledgeBase.add_documents() 这类方法都没有暴露，所有输入都当 prompt 处理，无法建立持久化索引。你上传的 PDF 会被丢弃，下次提问时不会被召回。

常见错误现象：

在网页版拖入 PDF 后提问“这份文档里提到的验收标准是什么”，返回“未找到相关信息”
尝试用“请基于我上传的《采购流程V3.2》回答……”引导，模型只复述训练数据里的通用流程
误以为开启“联网搜索”就能搜内部文件——那只是查公网，跟你的共享盘毫无关系

必须自建的三个硬性组件：loader + embedding + vectorstore

缺一不可。loader 负责把 Word/PDF/Confluence 页面变成文本块；embedding 模型把每块文本转成向量；vectorstore（如 Chroma 或 Milvus）存这些向量并支持相似度查询。

实操建议：

loader 选型看格式：PDF 用 PyPDF2（简单）或 unstructured（保留表格/标题结构）；Confluence 用官方 REST API + requests 拉取 HTML 再清洗
embedding 模型别硬套 text-embedding-ada-002：它是 OpenAI 的，需联网且贵。改用开源模型如 bert-base-chinese 或 m3e-base，pip install sentence-transformers 即可加载
vectorstore 初期用 Chroma（轻量、单机、Python 原生）；数据超 10 万文档再切到 Milvus（需 Docker、支持分布式）

LangChain + DeepSeek 的最小可行链路怎么写

不是“装个 deepseek 包就行”，而是用 LangChain 做胶水，把 DeepSeek 当 LLM，其他模块各司其职。关键在于 retrieval_qa_chain 的初始化逻辑。

典型错误配置：

Deepseek Reasoner Lite Agent

你是DeepSeek-R1-Agent，一个高效的内容创作者。

下载

直接传 model_path="./models/deepseek-7b-q4.bin" 给 LLM，但没配 device="cuda" 导致 OOM
Chroma.from_documents() 没设 persist_directory，重启 Python 进程后索引全丢
query 时没加 return_source_documents=True，根本不知道答案从哪篇文档来的

精简可运行片段（删减异常处理）：

from langchain.llms import DeepSeek
from langchain.chains import RetrievalQA
from langchain.embeddings import HuggingFaceEmbeddings
from langchain.vectorstores import Chroma
from langchain.document_loaders import DirectoryLoader
<h1>1. 加载文档（假设所有 PDF 在 ./docs/）</h1><p>loader = DirectoryLoader("./docs/", glob="*<em>/</em>.pdf")
docs = loader.load()</p><h1>2. 初始化 embedding 模型（离线可用）</h1><p>embeddings = HuggingFaceEmbeddings(model_name="m3e-base")</p><h1>3. 构建向量库（自动持久化到 ./chroma_db/）</h1><p>vectorstore = Chroma.from_documents(docs, embeddings, persist_directory="./chroma_db/")
vectorstore.persist()  # 显式保存</p><h1>4. 初始化 DeepSeek LLM（注意 device 和 model_path）</h1><p>llm = DeepSeek(model_path="./models/deepseek-7b-q4.bin", device="cuda")</p><h1>5. 绑定检索器与 LLM</h1><p>qa_chain = RetrievalQA.from_chain_type(
llm=llm,
chain_type="stuff",
retriever=vectorstore.as_retriever(search_kwargs={"k": 3}),
return_source_documents=True
)</p><h1>6. 查询</h1><p>result = qa_chain({"query": "采购合同审批需要几个部门会签？"})
print(result["result"])
for doc in result["source_documents"]:
print(f"来源: {doc.metadata['source']}, 页码: {doc.metadata.get('page', '?')}")
</p>

OCR 文档（扫描件/PNG）必须单独过 DeepSeek-OCR-2

普通 loader 对图片类 PDF 或 JPG 完全无效。它们不是文本容器，而是像素阵列。强行用 PyPDF2 读出来是空字符串或乱码。

正确路径：

先用 DeepSeek-OCR-2 把图像转成带结构的 Markdown（含标题层级、表格、代码块）
再把生成的 Markdown 文件喂给上面的 DirectoryLoader 流程
不要试图让 OCR 和 embedding 在一个进程里串行跑——DeepSeek-OCR-2 是重 GPU 计算，embedding 是 CPU/GPU 推理，混在一起容易显存溢出或卡死

部署要点：