ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.578px;widows: 1;caret-color: rgb(34, 34, 34);text-align: center;visibility: visible;">
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： - 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： - 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。
ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;letter-spacing: 2px;text-align: left;color: black;background-color: rgb(255, 255, 255);word-spacing: 1px;">推荐阅读[1]>>专注大模型学术前沿的知识分享！ [2]2万字长文！一文了解Attention，非常详细！
[4]这几天！DeepSeek发布5个重要代码库！ [5]每周速递44期！大模型最前沿！ 投稿或寻求报道联系：ainlperbot 点击下方链接?关注我们 | 
