本地部署DeepSeek R1 + Ollama + XRAG：三步搭建RAG系统，并解锁全流自动化评测

引言

如何科学的评估RAG系统，对于RAG系统的性能优化至关重要。为此，本文提供了一个详细操作指南，帮助用户使用Ollama本地部署最新的DeepSeek R1模型，并使用最新的XRAG1.0框架来构建RAG系统并评估你的本地RAG知识库系统。

这一过程分为三个主要步骤：

• Ollama安装
• 下载启动DeepSeek R1模型
• 配置XRAG使用本地模型和知识库，运行评估以解锁全流程自动化评测能力。

RAG技术核心流程

检索增强生成（Retrieval-Augmented Generation, RAG）通过结合文档检索与大模型生成能力，让AI回答既精准又可靠。RAG核心流程分为四步：

1. 检索准备：解析用户问题，优化查询语句
2. 文档检索：从海量文档中匹配相关片段
3. 结果精炼：过滤排序，保留核心信息
4. 答案生成：基于上下文生成最终回答
   上图展现了一个完整的RAG流程的各个步骤，其中蓝色字体标注的部分是RAG技术中值得深入理解并改进的关键组成部分。

然而，有过实战经验的小伙伴的经验应该知道，搭建RAG系统是比较简单的，但如何让系统达到预期目标是一件非常有挑战性的任务。当前系统功能优化基本也是围绕这四个关键节点展开，那么如何有效的评测RAG关键节点模块的性能对于RAG系统的优化起着关键的作用。

XRAG

为了更深入地评测RAG技术中的各个模块性能，北航团队发布的可全面测评RAG系统的框架：XRAG。paper:https://arxiv.org/abs/2412.15529

code:https://github.com/DocAILab/XRAG

利用XRAG并借助DeepSeek模型，可以实现本地的RAG知识库系统，并对其中的不同模块快速进行检验测试。具体来说，XRAG支持全面的RAG测评Benchmark与Toolkit，涵盖了50+以上的测试指标与RAG的全面评测与失败点优化，支持4类Advanced RAG模块（ 查询重构， 先进检索， 问答模型， 后处理） 的对比， 并集成模块内的多种具体实现，支持OpenAI大模型 API。XRAG1.0版本还提供了简单的Web UI Demo、轻交互的数据上传与统一标准格式， 集成了 RAG失败点检测与优化方法。

具体XRAG框架内容细节可以阅读原论文。

XRAG安装使用

XRAG安装使用主要分为三个主要步骤，首先安装Ollama，然后通过ollama安装DeepSeek R1模型，最后配置XRAG使用本地模型和知识库、运行评估以解锁全流程自动化评测能力。

1、Ollama安装

Ollama 是一个开源工具，允许用户在本地机器上运行 LLM，如 DeepSeek R1。进入Ollama官网（官网链接：https://ollama.com）后，点击页面右上角的Download按照提示按步骤下载安装即可，如上图所示。然后，进入选择自己电脑操作系统的页面，即可等待下载并安装完成。

2、下载启动Deepseek模型

完成上述的Ollama的安装步骤后，就可以开始拉取并运行DeepSeek R1模型了。具体操作如下：

可以首先打开一个命令行终端，首先输入ollama serve进行ollama服务的启动，如下图所示：之所以图片的第一次命令运行出现error，是因为我事先启动过ollama服务了。所以大家也可以通过这个命令查看自己电脑上是否已经启动了ollama服务，如果启动了就不需要再次运行这个命令。

接下来终于到了下载模型的环节：如上图所示，首先选择目前火热的deepseek-r1模型，由于是本地服务，这里选择最小的模型1.5b（如果资源足的小伙伴，也可以下载参数量多的版本）。将官网的下载命令粘贴到命令行中，下载过程展示如上图所示。

下载速度一般很快，喝杯水的功夫就完成了。上面是下载完的结果展示图，此时我们已经可以在简陋的命令行中跟刚刚下载的deepseek-r1模型进行聊天了。当然，由于是本地的小模型，所以可能稍微没有想象中的那么聪明，但至少不会出现服务器繁忙的回复了哈哈哈。

到这一步骤，我们已经完成在Ollama的基础上运行本地deepseek模型的流程。

3、XRAG安装评测

以下是使用XRAG的详细步骤：

1、XRAG安装

确保 Python 版本为 3.11 或更高。在这里，我们使用conda创建虚拟环境（具体安装细节可参考conda官方网站）：安装 XRAG：

2、配置 XRAG

XRAG 使用 config.toml 文件进行配置。一般情况，我们保持默认配置即可。我们可以在使用可视化界面时，直接对XRAG进行配置，更简洁方便。

3、运行评估运行以下命令，打开XRAG的可视化网页。通过上面的可视化网页，我们可以选择本地的文件作为我们的知识库：加载数据需要一定的时间：

然后，可以对我们本地知识库所采用的配置进行设置：包括回答生成时所使用的大模型等等。这里，我们将选择前面步骤中运行的本地模型：

4、自动评测配置完毕后，我们点击下一步，就可以开始针对本地知识库系统进行回答问题了：XRAG能够根据你的本地RAG知识库系统的回答自动进行评测（通过使用openai的大模型进行评估），并利用各种经典指标量化回答的质量，下面的图片是其中一些指标的实例：到这里为止，我们就可以利用XRAG框架完成本地RAG知识库系统的搭建，并对我们的本地知识库进行了评估了。祝各位玩的开心！

注意事项（Notice！）

近期互联网披露，如果Ollama直接暴露服务端口（默认为 11434）于公网，并且未启用身份认证机制，远程攻击者可以在未授权的情况下访问其高危接口。建议受影响的用户尽快修改相关配置或部署安全策略，以收敛安全风险。

根据CNVD漏洞平台最新修复建议（https://mp.weixin.qq.com/s/QKrJXmOYv9KVfIEHBLeCww）：

• 1、若Ollama只提供本地服务，设置环境变量Environment="OLLAMA_HOST=127.0.0.1"，仅允许本地访问。
• 2、若Ollama需提供公网服务，选择以下方法添加认证机制：
• 1）修改config.yaml、settings.json 配置文件，限定可访问Ollama 服务的IP地址；
• 2）通过防火墙等设备配置IP白名单，阻止非授权IP的访问请求；
• 3）通过反向代理进行身份验证和授权（如使用OAuth2.0协议），防止未经授权用户访问。