DeepSeek API方式 + Cherry Studio 搭建个人知识库

如果本地数据不涉密，可以API方式使用满血的 DeepSeek R1 模型。

6710亿参数（671B）：这是DeepSeek-R1的完整版本，也是目前公开的最大参数规模版本，被称为“满血版”

安装 Cherry Studio

Cherry Studio 是一款多模型聚合的AI工具客户端，支持Windows、macOS和Linux系统，集成了OpenAI、Gemini、Anthropic等主流大语言模型及Claude、Poe等网络服务，并可通过Ollama调用本地模型。其核心功能包括多模型对话、300+预配置AI助手（支持自定义）、文本/图像/PDF等文档处理，以及WebDAV文件管理。该工具提供亮/暗主题、全局搜索、跨平台便携部署（含绿色版无需安装），并集成硅基流动的图像生成模型，适用于高效办公、多模态创作等场景。

下载 Cherry Studio  地址： https://cherry-ai.com/download

申请 DeepSeek API

DeepSeek官网API申请： https://platform.deepseek.com

硅基流动（SiliconFlow）API申请： 注册地址：https://cloud.siliconflow.cn/i/InuW1O76 邀请码：InuW1O76

这里我们选用 硅基流动。现在登录会赠送14元额度，即2000万Token, 方便大家测试使用。

作为集合顶尖大模型的一站式云服务平台，SiliconCloud 致力于为开发者提供更快、更全面、体验更丝滑的模型 API。

2.生成Api-key，来到 API 密钥生成界面，创建或者复制已有的密钥。

配置 Cherry Studio

3、来到 Cherry Studio，配置 API Key。

记得点击检查，测试下 API 是否可以正常访问。

4.在硅基模型广场首页，选择模型

复制模型名deepseek-ai/DeepSeek-R1

5、来到 Cherry Studio，在模型服务的硅基流动下方，添加 R1 模型（deepseek-ai/DeepSeek-R1）。

6、现在对话模型有了 R1，还缺少一个嵌入模型。

嵌入模型的主要作用是将本地文件的内容转换成有意义的数字，存储到向量数据库中。
在用户提问时，利用 RAG 技术在数据库中搜索到相似答案，最终回复用户。

过去我有通俗解释过 RAG 技术，大家如果不了解，可以看这篇文章：什么是RAG(检索增强生成)？
我们再配置一个向量模型：BAAI/bge-m3。如果希望搜索的精准度更高，可以选择 Pro/BAAI/bge-m3。

按照同样的方式配置到 Cherry Studio 中，这里不需要点击检查。BAAI/bge-m3

7、在 Cherry Studio 创建知识库，选择刚才配置的嵌入模型，这样就会自动利用对应的模型来向量化数据。

8、上传本地文件进行向量化。

如果本地 PDF 文件是 扫描件、手写件，或者带有复杂的表格 和 数学公式，解析效果会很差，甚至无法解析。遇到这种情况，建议先试用其他PDF 转结构化文档 的工具先做转换！

当我们上传文件后，箭头指向的④图标如图所示，则代表向量化成功。

11、测试使用，这一步添加助手，并选择刚配置的 满血 R1 模型，我这里设置是默认R1。

我们来提问测试一下，发现 DeepSeek 已经开始深度思考回答了。