对本地部署的 DeepSeek 正确投喂方式

当 DeepSeek-R1 在本地成功部署那一刻，兴奋与激动如潮水般涌上心头，迫不及待地开启与它的热烈对话，话题一个接一个，畅聊不停。出于探索的热情，还按照自己的思路给它共享了不少知识，它也能依此精准切入，给出令人满意的答案。可谁能想到，第二天再聊，它竟像失忆一般，昨天共享的数据全然没了印象，一切又回到最初状态。

在 AI 的奇妙世界里，其记忆机制别有一番特点。以 DeepSeek、GPT 为代表的大多数 AI 模型，默认无状态，无持久化记忆。每次对话都是全新开场，不会记住上一次聊了啥。单次会话中虽能记些信息，可会话一结束，记忆就被清空。这主要是因为技术上它们基于 Transformer 架构，设计为无状态来规避隐私和安全风险；同时，持久化记忆需大量资源，本地部署往往难以满足，再加上隐私考量，对话历史就不会被存储。

如何让我们的“投喂” 不会因为上述原因化为乌有才是我们需要关心的问题。在接下来的文章中，我将介绍如何有效地“投喂”数据给本地部署的 DeepSeek-R1，并通过实验测试其效果。

文章主题：如何投喂本地部署的 DeepSeek-R1

接下来，我想通过测试来展示，“投喂” 效果到底如何，是否可以让 AI 拥有永恒记忆，并利用这些记忆持续为我所用。

为了测试效果，我选择了一篇小学课文《一只小羊羔》作为示范。这篇文章讲述了一个关于巴特救小羊羔的温馨故事，情节简单但富有教育意义。

文章内容如下：

为了测试效果，我这里使用两个接入 DeepSeek-R1 平台工具：ChatBox 和 Anything LLM 来展示。

ChatBox 是一款侧重于提供便捷聊天交互体验，可使用多种模型且注重隐私保护的开源桌面 AI 应用；而 Anything LLM 是一个强调灵活性和可扩展性，能将各种文档转为 LLM 上下文数据，支持多用户、多模型及多种文档类型的开源全栈 AI 应用程序。

首先，我使用 ChatBox 进行测试。在聊天框中，我将《一只小羊羔》的 PDF 文档共享了出来：

然而，当我关闭对话并重新开启新的对话后，发现它完全失忆了。同样的问题再次被提出时，AI 已经没有任何记忆。

这种情况在 Anything LLM 上未“投喂”数据之前也是同样的结果。

重开新的聊天对话后：

接下来，我使用 Anything LLM 来为 DeepSeek-R1 “投喂”数据。这一次，我仍然选择《一只小羊羔》的 PDF 文档作为实验材料。

然后我们重新开一个对话看效果：

通过 Anything LLM，借助 RAG（检索增强生成）技术，我们发现，本地 AI 大模型终于拥有了记忆能力。这是因为 Anything LLM 运用嵌入引擎和向量数据库，将“投喂”的数据妥善保存，并巧妙转化为 DeepSeek-R1 易于理解和利用的格式，从而赋予了它强大的知识库能力。

通过实验可以发现，借助 Anything LLM 的 RAG 技术，“投喂” 数据后，AI 表现出了显著的提升。这种技术不仅让 AI 拥有了“记忆”，还能够持续利用这些信息为用户提供更精准的服务。

既然我们能实现让 AI 拥有了“记忆”功能，那接下来就是持续收集新内容来提升其价值吧。每天源源不断地将文本文件、PDF、网页抓取内容等知识输入，充实知识库。随着内容的持续更新，知识库不断完善，当被 AI 大模型提取运用，就能与用户需求高度契合，提供更精准、更贴心的服务，最大化发挥 AI 的实用价值 。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【 保证100%免费 】