你有没有想过，能不能像跟人聊天一样，直接问 pdf 文件或技术手册问题？比如你有一本很厚的说明书，不想一页页翻，只想问它：“这个功能怎么用？”或者“这个参数是什么意思？”现在有了 ai 技术，这完全可以实现！

这篇文章教你如何用两个工具（DeepSeek R1 和 Ollama）来搭建一个智能系统，让它帮你从 PDF 里找答案。这个系统叫 RAG（检索增强生成），简单来说就是：先找资料，再生成答案。

为什么要用 DeepSeek R1？省钱：它比 OpenAI 的模型便宜 95%，效果却差不多。精准：每次只从 PDF 里找 3 个相关片段来回答问题，避免瞎编。本地运行：不用联网，速度快，隐私也有保障。你需要准备什么？

Ollama：一个让你在电脑上本地运行 AI 模型的工具。

下载地址：https://ollama.com/

安装后，运行命令：ollama run deepseek-r1 <em># 默认用7B模型</em>

DeepSeek R1 模型：有不同大小，最小的 1.5B 模型适合普通电脑，更大的模型效果更好，但需要更强的电脑配置。

运行小模型：ollama run deepseek-r1:1.5b

通用配置原则 模型显存占用（估算）：

每 1B 参数约需 1.5-2GB 显存（FP16 精度）或 0.75-1GB 显存（INT8/4-bit 量化）。例如：32B 模型在 FP16 下需约 48-64GB 显存，量化后可能降至 24-32GB。

内存需求：至少为模型大小的 2 倍（用于加载和计算缓冲）。

存储：建议 NVMe SSD，模型文件大小从 1.5B（约 3GB）到 32B（约 64GB）不等。

怎么搭建这个系统？第一步：导入工具包

我们用 Python 写代码，需要用到一些工具包：

LangChain：处理文档和检索。Streamlit：做一个简单的网页界面。代码语言：javascript代码运行次数：0运行复制

<code class="javascript">import streamlit as stfrom langchain_community.document_loaders import PDFPlumberLoaderfrom langchain_experimental.text_splitter import SemanticChunkerfrom langchain_community.embeddings import HuggingFaceEmbeddingsfrom langchain_community.vectorstores import FAISSfrom langchain_community.llms import Ollama</code>

第二步：上传 PDF

用 Streamlit 做一个上传按钮，把 PDF 传上去，然后用工具提取里面的文字。

Python Use Agent

智能执行Python任务，自动生成、执行代码并反馈结果，无需额外配置，兼容旧命令。

下载

代码语言：javascript代码运行次数：0运行复制

<code class="javascript">uploaded_file = st.file_uploader("上传PDF文件", type="pdf")if uploaded_file:    with open("temp.pdf", "wb") as f:        f.write(uploaded_file.getvalue())    loader = PDFPlumberLoader("temp.pdf")    docs = loader.load()</code>

第三步：把 PDF 切成小块

PDF 内容太长，直接喂给 AI 会吃不消。所以要把文字切成小块，方便 AI 理解。

代码语言：javascript代码运行次数：0运行复制

<code class="javascript">text_splitter = SemanticChunker(HuggingFaceEmbeddings())documents = text_splitter.split_documents(docs)</code>

第四步：建一个“知识库”

把切好的文字块转换成向量（一种数学表示），存到一个叫 FAISS 的数据库里。这样 AI 就能快速找到相关内容。

代码语言：javascript代码运行次数：0运行复制

<code class="javascript">embeddings = HuggingFaceEmbeddings()vector_store = FAISS.from_documents(documents, embeddings)retriever = vector_store.as_retriever(search_kwargs={"k": 3})  # 每次找3个相关块</code>

第五步：设置 AI 模型

用 DeepSeek R1 模型来生成答案。告诉它：只根据 PDF 内容回答，不知道就说“我不知道”。

代码语言：javascript代码运行次数：0运行复制

<code class="javascript">llm = Ollama(model="deepseek-r1:1.5b")prompt = """1. 仅使用以下上下文。2. 如果不确定，回答“我不知道”。3. 答案保持在4句话以内。上下文: {context}问题: {question}答案:"""QA_CHAIN_PROMPT = PromptTemplate.from_template(prompt)</code>

第六步：把整个流程串起来

把上传、切块、检索和生成答案的步骤整合成一个完整的系统。

代码语言：javascript代码运行次数：0运行复制

<code class="javascript">llm_chain = LLMChain(llm=llm, prompt=QA_CHAIN_PROMPT)document_prompt = PromptTemplate(    template="上下文:\n内容:{page_content}\n来源:{source}",    input_variables=["page_content", "source"])qa = RetrievalQA(    combine_documents_chain=StuffDocumentsChain(        llm_chain=llm_chain,        document_prompt=document_prompt    ),    retriever=retriever)</code>

第七步：做个网页界面

用 Streamlit 做一个简单的网页，用户可以输入问题，系统会实时返回答案。

代码语言：javascript代码运行次数：0运行复制

<code class="javascript">user_input = st.text_input("向你的PDF提问:")if user_input:    with st.spinner("思考中..."):        response = qa(user_input)["result"]        st.write(response)</code>

未来展望

DeepSeek R1 只是开始，未来还会有更多强大的功能，比如：

自我验证：AI 能检查自己的答案对不对。多跳推理：AI 能通过多个步骤推导出复杂问题的答案。总结

用这个系统，你可以轻松地从 PDF 里提取信息，像跟人聊天一样问问题。赶紧试试吧，释放 AI 的潜力！

完整代码可以在我的公众号后台 901 ，获取。