Deep Seek Rrom 스크래치를 사용하여 헝겊 구축 (검색 세대 생성) 응용 프로그램

검색 augmented Generation (RAG)는 검색 시스템을 생성 모델과 결합하여보다 정확하고 컨텍스트가 풍부한 답변을 제공합니다. Deep Seek R1은 검색 기능을 고급 언어 모델과 통합하여 이러한 시스템을 효율적으로 구축하는 데 도움이되는 강력한 도구입니다. 이 블로그에서는 Deep Seek R1을 사용하여 Rag 응용 프로그램을 처음부터 작성하는 과정을 살펴 보겠습니다.

1. rag의 아키텍처 이해

---

Rag 응용 프로그램은 세 가지 주요 구성 요소를 중심으로 구축됩니다

retriver : 지식 기반에서 관련 문서를 찾습니다

Generator

: 검색된 문서를 컨텍스트로 사용하여 답을 생성합니다

Knowledge Base
1. : 모든 문서 나 정보를 쉽게 검색 할 수있는 형식으로 저장합니다.
2. 2. 환경 설정 1 단계 : 필요한 종속성을 설치합니다
시작하려면 파이썬이 설치되었는지 확인하십시오. 그런 다음 Deep Seek R1을 포함한 필요한 라이브러리를 설정하십시오. 다음 명령을 사용하여 종속성을 설치하십시오
3. 2 단계 : 프로젝트를 초기화하십시오
새 프로젝트 디렉토리를 만들고 격리를위한 가상 환경을 설정합니다.

---

3. 지식 기반 구축

지식 기반은 헝겊 시스템의 핵심입니다. 이 예에서는 텍스트 문서를 사용하지만 PDF, 데이터베이스 또는 기타 형식으로 확장 할 수 있습니다.

1 단계 : 데이터 준비 <strong> <doc> 데이터라는 폴더에서 문서를 구성하십시오 </doc></strong> </prepare> </h3> <p> 2 단계 : 문서를 포함시켜 </p> <r> Deep Seek R1을 사용하여 효율적인 검색을 위해 문서를 포함하십시오. <div class="code" style="position:relative; padding:0px; margin:0px;"><pre class="brush:php;toolbar:false">pip install deep-seek-r1 langchain transformers sentence-transformers faiss-cpu

로그인 후 복사

로그인 후 복사

4. 검색 및 생성 파이프 라인 구축

이제 관련 문서를 검색하고 응답을 생성하기 위해 파이프 라인을 설정합니다.

1 단계 : 리트리버를로드

mkdir rag-deepseek-app
cd rag-deepseek-app
python -m venv venv
source venv/bin/activate  # or venv\Scripts\activate for Windows

---

2 단계 : 발전기를 통합 우리는 OpenAi의 GPT 기반 모델 또는 포옹 페이스 트랜스포머를 세대에 사용합니다.

5. 시스템 쿼리 사용자 쿼리를 처리하기 위해 모든 것을 정리하는 방법은 다음과 같습니다.

예제 쿼리

rag-deepseek-app/
└── data/
    ├── doc1.txt
    ├── doc2.txt
    └── doc3.txt

6. 애플리케이션 배포

Rag 시스템에 액세스 할 수있게하려면 Flask 또는 Fastapi를 사용하여 배포 할 수 있습니다.

1 단계 : 플라스크를 설정하십시오 <:> 플라스크 설치 :

<.> app.py 파일을 만듭니다 :

<:> 서버를 실행하십시오 :

pip install deep-seek-r1 langchain transformers sentence-transformers faiss-cpu

2 단계 : API를 테스트하십시오
우체부 또는 컬을 사용하여 쿼리를 보냅니다

mkdir rag-deepseek-app
cd rag-deepseek-app
python -m venv venv
source venv/bin/activate  # or venv\Scripts\activate for Windows

위 내용은 Deep Seek Rrom 스크래치를 사용하여 헝겊 구축 (검색 세대 생성) 응용 프로그램의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!