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：
- 检索准备：解析用户问题，优化查询语句
- 文档检索：从海量文档中匹配相关片段
- 结果精炼：过滤排序，保留核心信息
- 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。
最后的最后
感谢你们的阅读和喜欢，作为一位在一线互联网行业奋斗多年的老兵，我深知在这个瞬息万变的技术领域中，持续学习和进步的重要性。
为了帮助更多热爱技术、渴望成长的朋友，我特别整理了一份涵盖大模型领域的宝贵资料集。
这些资料不仅是我多年积累的心血结晶，也是我在行业一线实战经验的总结。
这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习，相信它们一定能为你提供实质性的帮助。
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】
大模型知识脑图
为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
经典书籍阅读
阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。
实战案例
光学理论是没用的，要学会跟着一起敲，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。
面试资料
我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下
640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。
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】