一直在想如何让AI 帮我写FPGA 的代码，分析代码，分析资料，不想一直重复造轮子。自从openAI 火爆之后，就一直在探索这条路，以至于求着给它送了不少银子。这是openAI 刚推出GPT Store功能的时候，我就做了一个AI 智能助手，上传自己的私有代码。但是效果一般。

                   （我在GPT store 上的智能工具）

后来字节的 coze 出来了，我又用coze做了一个 FPGA 智能体。采用多个大模型进行需求重审，代码重审，最后总结输出。并且接入了自己的这个公众号后台，效果也是很一般。豆包，kimi，混元在FPGA 这个小众领域还是难以直接发挥其智能的特色。

                （我在coze上构建的多模型智能体）

坑我都已经踩过了，当然也不是说它们一定不行，只是现阶段用起来不顺手。还有一个主要的因素，就是它们都是闭源的，企业是不可能容忍自己的资料上传到网络的。

去年12月底 deepseek V3发布，到后来的开源，终于不用偷偷摸摸的用AI 了。开源炸锅实在精彩，我顺着这个浪潮分享一下，如何用deepseek R1 搭建本地FPGA知识库。

第一：思考为什么要用RAG

RAG是 检索（Retrieval）+增强（Augmentation）+生成（Generation）的缩写，它是能将用户提问结合一个外挂知识库的资料，整合起来生成答案给到用户。 而随着技术的发展，平台越来越成熟，构建本地知识库，部署大模型，也将是随便一个高中生就能完成的事情。

1，解决模型幻觉问题。

AI 工具用的多的人都可以感觉的到，AI 工具有时候会胡编乱造，特别是针对我们这种FPGA小众领域，知识点更多的是掌握在企业自己的手里，而不是在公开的网络上，所以幻觉的概率就更大了。

2，为什么用RAG 不用微调

LangChain微调，人工成本和时间成本是最大的问题。这种研发投入，绝大部分公司是不愿意投入的。

但是RAG技术，只需要本地大模型部署（也可以不部署，就是要牺牲数据私有性） + 构建本地知识库。本地知识库可以在企业运营中慢慢磨合，不断精修数据库，让大模型和本企业契合度越来越高。再加上部署多个大模型，形成多模态agent智能体，让用户得到错误答案的概率进一步减小。这将是未来个人和企业的最优方案。

第二：本地部署全流程

概述：

2.1 安装 ollama，通过ollama 下载deepseek 到本地。

2.2 安装 Docker ，通过 Docker 给RAGflow一个运行环境

2.3 下载 RAGflow镜像。

2.4 配置RAGflow，建立个人知识库

2.1 安装 ollama 和下载 deepseek

进入官网 https://ollama.com/，下载对应win系统的安装包。exe文件，直接双击安装即可。如果不想安装到C盘，就需要用命令行模式安装。

新建两个用户环境变量

OLLAMA_HOST 0.0.0.0:11434

OLLAMA_MODELS d:\agi\ollama （替换成你安装的位置）

然后在ollama官网左上角点击 models 找到 deepseek-R1

我下的是 7b模型，所以在 win的 cmd窗口中执行：

ollama run deepseek-r1:7b

因为我已经安装了，所以展示就是这样子的。这时，deepseek R1 就已经被安装到电脑中了，可以在这个对话框里对话了。

2.2 安装 docker

docker是一个类似虚拟机的东西，它会给ragflow提供完整的各种依赖库，类似一个简易版本的虚拟机。进入docker的下载界面：

https://docs.docker.com/desktop/setup/install/windows-install/

这个默认安装就行，只是安装起来容易，但是用起来多少会出现一些依赖库不足的问题，到时候就需要根据不同的电脑环境，根据不同的错误进行依赖库添加。安装win版docker，是所有步骤中最麻烦的，其他的都是常规操作。不过如果出错，下面这个网址的内容，基本上能解决大部分问题：

《win10系统 Docker 提示Docker Engine stopped解决全过程记录》

https://blog.csdn.net/cplvfx/article/details/138033592

2.3 下载ragflow 源代码和镜像

进入 ragflow的官方git网址，直接下载zip压缩包。

https://github.com/infiniflow/ragflow

解压缩后，按照git上的提示，还需要在解压缩的文件夹中执行 cmd 命令：

不过在执行之前，你需要修改一下 解压缩文件，docker文件夹下的 .env文件。屏蔽掉84行，打开87行，让上述命令下载一个完整版的RAGflow。因为你需要embedding模型来解析文件。

RAGflow的执行时间会非常久，需要耐心等待，不过提醒一下这里可能要科学一下。执行完毕之后，在网页上输入localhost:80

如果你出现的是注册登录界面，那恭喜你。完成了 。你只需要邮箱注册一下，就可以使用了。

2.4 配置RAGflow，建立个人知识库.

2.4.1 大模型设定。

点击个人图像，进入用户设置，然后点击 模型供应商。找到 ollama，选择添加模型。

然后按照下面进行配置，url部分写入自己的 ip v4地址（在cmd窗口用ip config 命令就可以得到）后面跟上端口号 11434 ，最大token可以随意，反正本地的又不要钱。

上面是聊天模型的设定，还有一个系统模型的设定，还是这个界面，点击右上角的，系统模型设置，按照下面设置这两个模型即可。其他默认。大模型设置完毕。

2.4.2 构建知识库 。

点击创建知识库，取名。然后点击数据库，新增文件，上传之后点击 解析的绿色小图标。待解析完成，就可以在聊天窗口中获取文本知识。

如下图所示，文件需要解析成功，才能获取到文件中的知识。如此，你的个人知识库构建完毕。

小试一把：

先传个文档，聊聊天试试。

再上传一个代码，代码量比较大，分块都到了100个，再聊天试试。发现是可以关联到文档中的内容并且做了参考，可能是因为只上传了一个文件，代码质量还是很一般，不过有了好的参考，应该会有所提升。

总结：

1，RAGflow虽然现在支持中文，但是中文的支持还不是太丝滑。这个后续肯定会有所改进。但是它对资料的解析，知识库关联度目前还算不错的。这个才是尤为重要的。

2，本地部署与知识库的对于企业的意义最大，对于个人而言，也是一个能力放大器，也可以将个人能力无限放大。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓