> ## Content Index > Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt > Use this file to discover other available public pages before exploring further. # 用DeepSeek-R1构建GenAI应用 - URL: https://www.hubwiz.com/blog/build-genai-apps-with-deepseek-r1/ - Published: 2025-02-17T03:42:32.000Z - Updated: 2025-02-27T10:37:12.000Z - Description: 在这篇文章中，我们将使用DeepSeek开源模型构建一个生成式AI应用程序，该模型能够根据我们的需求生成代码和其他内容。 - Author: admin - Tags: APPLICATION, DEEPSEEKR1, LANGCHAIN, OLLAMA, #Import 2026-10-14 14:41 ![](http://127.0.0.1:8000/images/14EYGhD_2u3YHI7jTdc1gcQ.jpeg) 在这篇文章中，我们将使用DeepSeek开源模型构建一个生成式AI应用程序，该模型能够根据我们的需求生成代码和其他内容。在构建此应用程序时，我们将使用Langchain（AI工作流框架）、Ollama和DeepSeek-R1等开源工具。 > 为什么我们使用DeepSeek-R1、Langchain和Ollama？ 1. **DeepSeek-R1:** 一种高度强大的开源LLM，在推理、编码和创意任务方面表现出色。 2. **Langchain:** 简化了将AI组件（模型、提示、数据库）组合成连贯的工作流程。 3. **Ollama:** 它允许你在本地机器上运行DeepSeek-R1、Llama3.3和Phi-4等LLM，即使没有GPU。 ## 0、环境搭建 首先从[官方链接](https://ollama.com/download?ref=hubwiz.com)下载Ollama。 然后使用Ollama下载DeepSeek-R1模型 ``` ollama run deepseek-r1:1.5b ``` 接下来，安装以下库以运行模型 ``` pip install streamlit pip install langchain_core pip install langchain_community pip install langchain_ollama ``` 现在让我们逐步编写代码。 ## 1、LLM初始化 ``` llm_engine = ChatOllama( model=selected_model, base_url="http://localhost:11434", temperature=0.3, streaming=True ) ``` - **ChatOllama:** 用于与托管在localhost:11434上的本地LLM交互的客户端。 - **selected\_model:** 您选择的LLM（例如，DeepSeek）。 - **temperature=0.3:** 控制随机性（0 = 确定性，1 = 创造性）。 - **streaming=True:** 启用实时响应流。 ## 2、系统提示配置 ``` system_prompt = SystemMessagePromptTemplate.from_template( "You are an expert AI coding assistant..." ) ``` - 定义AI的初始行为（简洁、正确且带有调试技巧）。 - 在对话开始之前为模型提供上下文。 ## 3、会话状态管理 ``` if "message_log" not in st.session_state: st.session_state.message_log = [{"role": "ai", "content": "Hi! I'm DeepSeek..."}] ``` - st.session\_state: 维护跨交互的聊天历史记录。 - 如果没有先前的聊天，则发送AI的问候消息。 ## 4、显示聊天历史记录 ``` def display_chat_history(): for message in st.session_state.message_log: with st.chat_message(message["role"]): st.markdown(message["content"]) ``` - 迭代所有过去的聊天记录（用户和AI）。 - 使用st.chat\_message()按适当的角色（用户或AI）显示它们。 ## 5、构建提示链 ``` def build_prompt_chain(): prompt_sequence = [system_prompt] for msg in st.session_state.message_log: if msg["role"] == "user": prompt_sequence.append(HumanMessagePromptTemplate.from_template(msg["content"])) elif msg["role"] == "ai": prompt_sequence.append(AIMessagePromptTemplate.from_template(msg["content"])) return ChatPromptTemplate.from_messages(prompt_sequence) ``` - **初始化:** 函数首先添加系统\_prompt到提示序列中以设置AI的行为。 - **会话历史处理:** 它循环遍历st.session\_state.message\_log，添加用户消息使用HumanMessagePromptTemplate和AI响应使用AIMessagePromptTemplate。 - **提示链创建:** 最后，它返回包含系统提示和完整对话历史的ChatPromptTemplate，以便上下文感知的AI响应。 ## 6、使用流式传输生成AI响应 ``` def generate_response(): prompt_chain = build_prompt_chain() processing_pipeline = prompt_chain | llm_engine | StrOutputParser() return processing_pipeline.stream({}) ``` - **链接在一起:** 提示、LLM和输出解析器。 - **stream():** 分块流式传输响应，启用实时打字效果。 以下是结合后的代码。我添加了Streamlit和HTML&CSS代码，以便在UI上查看应用程序。 ```python import streamlit as st from langchain_ollama import ChatOllama from langchain_core.output_parsers import StrOutputParser from langchain_core.prompts import ( SystemMessagePromptTemplate, HumanMessagePromptTemplate, AIMessagePromptTemplate, ChatPromptTemplate ) import warnings import sys # 自定义应用程序的CSS样式 st.markdown(""" """, unsafe_allow_html=True) st.title("🧠 DeepSeek代码伴侣由Lokendra构建") st.caption("🚀 具有调试超能力的AI配对程序员") # 侧边栏配置 with st.sidebar: st.header("⚙️ 配置") selected_model = st.selectbox( "选择模型", ["deepseek-r1:1.5b", "deepseek-r1:3b", "deepseek-r1:7b", "deepseek-r1:8b"], index=0 ) st.divider() st.markdown("### 模型功能") st.markdown(""" - 🐍 代码生成 - 🐞 调试助手 - 📝 文档 """) st.divider() st.markdown("### 🔗 资源") st.markdown(""" - [Ollama文档](https://ollama.ai/) - [LangChain指南](https://python.langchain.com/) - [DeepSeek GitHub](https://github.com/deepseek-ai) """) # 主代码逻辑从这里开始 # 使用选定的模型（Deepseek）初始化聊天引擎 llm_engine = ChatOllama( model=selected_model, base_url="http://localhost:11434", temperature=0.3, streaming=True ) system_prompt = SystemMessagePromptTemplate.from_template( "You are an expert AI coding assistant. Provide concise, correct solutions " "with strategic print statements for debugging. Always respond in English." ) # 会话状态管理 if "message_log" not in st.session_state: st.session_state.message_log = [{ "role": "ai", "content": "Hi! I'm DeepSeek. How can I help you code today? 💻" }] # 显示聊天消息 def display_chat_history(): for message in st.session_state.message_log: with st.chat_message(message["role"]): st.markdown(message["content"]) # 构建提示链 def build_prompt_chain(): prompt_sequence = [system_prompt] for msg in st.session_state.message_log: if msg["role"] == "user": prompt_sequence.append(HumanMessagePromptTemplate.from_template(msg["content"])) elif msg["role"] == "ai": prompt_sequence.append(AIMessagePromptTemplate.from_template(msg["content"])) return ChatPromptTemplate.from_messages(prompt_sequence) def generate_response(): prompt_chain = build_prompt_chain() processing_pipeline = prompt_chain | llm_engine | StrOutputParser() return processing_pipeline.stream({}) display_chat_history() user_query = st.chat_input("在此输入您的编程问题...") if user_query: st.session_state.message_log.append({"role": "user", "content": user_query}) with st.chat_message("user"): st.markdown(user_query) with st.chat_message("ai"): response_placeholder = st.empty() response_placeholder.markdown('
生成中
', unsafe_allow_html=True) full_response = "" for chunk in generate_response(): full_response += chunk response_placeholder.markdown(full_response + "▌") # 更新最终响应 response_placeholder.markdown(full_response) # 将助手响应添加到历史记录 st.session_state.message_log.append({"role": "ai", "content": full_response}) ``` 要运行上述代码，请使用以下命令： ``` streamlit run app.py ``` ![](https://www.hubwiz.com/blog/content/images/2025/02/image-633.png) 现在你可以准备在不使用互联网的情况下向您的生成式AI应用程序提出任何类型的问题。 ## 7、结束语 通过使用DeepSeek-R1、Langchain和Ollama，我们构建了一个功能强大的生成式AI应用程序，能够生成智能响应。这种架构可以扩展以支持复杂的工作流程、实时数据处理和高级NLP任务。 对于本文的代码，你可以在我的[GitHub](https://github.com/lokendrasolanki/GenAi-with-Deepseek-r1?ref=hubwiz.com)上查看。 --- 原文链接：[Build a Gen AI App with the DeepSeek-R1 Model Using LangChain and Ollama](https://medium.com/@lokendrasolanki60/build-a-gen-ai-app-with-the-deepseek-r1-model-using-langchain-and-ollama-6875b0321bd5?ref=hubwiz.com) 汇智网翻译整理，转载请标明出处