标签：个人知识库

探索Linkwarden：一款能自动截图存档的开源书签管理器
在平时工作学习中，我们总会遇到一些值得收藏的网页，但头疼的是，很多链接没过多久就失效了，辛苦保存的信息说没就没

最近在 GitHub 上发现一个叫 Linkwarden 的开源项目，它不仅仅是个书签管理器，更像一个私人网页档案馆，能自动给每个网页截图、保存 PDF，即使原链接挂了，你的内容也丢不了。对于喜欢自己部署服务、注重数据隐私，或者需要团队协作整理资料的朋友来说，这款自托管的工具可能正是你找了很久的解决方案

Linkwarden是什么

Linkwarden 是一个开源的、自托管的协作式书签管理器，致力于通过自动存档网页截图与PDF的方式，对抗“链接失效”问题，帮助用户一站式收集、整理和永久保存网络上有价值的链接

开源成就
- Star数 GitHub 上已经吸引了 15.4k 星
- 主开发语言 TypeScript
核心功能

全方位网页存档添加链接时，Linkwarden 会自动捕获该网页的截图、PDF和HTML文件并本地保存，即使原始网页因各种原因无法访问，你依然能查看当时保存的内容

高效的整理与协作你可以用集合、标签来分门别类地整理链接，支持与团队成员共享集合并协作，共同收集和管理资料

沉浸式阅读与标注提供干净的阅读视图，让你专注于内容，你还可以在保存的页面上高亮文本、添加注释，方便后续回顾和提炼重点

强大的检索能力支持全文搜索，你可以通过关键词、标签、集合等多种条件快速定位到你想要的链接，再也不用在杂乱的书签堆里大海捞针

便捷的浏览器集成提供了浏览器扩展，让你在浏览网页时能一键将链接保存到自己的 Linkwarden 库中，非常方便

灵活的数据掌控支持从其他平台导入书签，也允许你随时导出自己的数据，完全掌控自己的信息，避免被服务绑定

安装指南
- 基础依赖：Linkwarden 需要 PostgreSQL 数据库作为后端支撑，在部署前请确保你已准备好可用的数据库环境
- 推荐部署方式：官方推荐使用 Docker Compose 进行部署，你只需准备好一个包含数据库和服务设置的 docker-compose.yml 文件，通过一条命令即可启动所有服务
  
  git clone https://github.com/linkwarden/linkwarden cd linkwarden docker compose up -d
```
开源地址https://github.com/linkwarden/linkwarden
```
2025 年 11 月 8 日
DeepSeek R1本地化部署+web端访问+个人知识库搭建与使用
DeepSeek R1 的本地化部署结合 Web 端访问和个人知识库搭建，能为你提供一个私有、安全且高效的 AI 助手。下面我将为你梳理一套可行的方案，内容综合了多个来源的信息，并会为你标注来源。

🖥️ 一、DeepSeek R1 本地化部署

本地部署主要有两种主流方式：Ollama（适合快速启动）和 Docker（适合定制化需求）。

1. 通过 Ollama 部署 (最简方式)

Ollama 能简化模型的下载和管理，非常适合个人用户和开发者。
- •安装 Ollama：访问 Ollama 官网，下载并安装对应你操作系统的版本（支持 Windows、macOS、Linux）。
- •拉取并运行 DeepSeek-R1 模型：安装完成后，打开终端（命令提示符），执行以下命令来拉取和运行模型。模型版本可根据你的硬件选择（如 deepseek-r1:8b适用于 8GB 显存）。bash复制ollama run deepseek-r1
- •验证安装：执行后，Ollama 会自动下载模型。完成后，尝试在命令行中输入“你好”，若得到回复则说明本地模型已成功运行。
2. 通过 Docker 部署 (适合熟悉容器的用户)

Docker 部署能提供更好的环境隔离和灵活性，也便于后续集成 Web 界面。
- •安装 Docker：确保你的系统已安装 Docker。对于 Windows 用户，建议启用 WSL2 以获得更好性能。
- •拉取 DeepSeek-R1 镜像并运行容器：docker pull deepseek/deepseek-r1:latest docker run -d --name deepseek-r1 -p 8080:8080 -v ./models:/app/models deepseek/deepseek-r1:latest此命令会启动容器，并将本地的 ./models目录挂载到容器内用于存放模型文件。
- •关键参数优化：
  - •若使用 CPU，添加 --device cpu；若使用 GPU，则需安装 NVIDIA Docker 支持，并改用 --device cuda:0
  - •内存优化：添加 --quant 4bit参数可显著降低内存占用（降低约70%），添加 --mmap参数可启用内存映射减少加载开销。
3. 硬件与配置建议
- •硬件要求：
  - •最低配置：GPU（如 GTX 1080 8GB）、16GB 内存、20GB SSD 存储，可运行 7B 量化版。
  - •推荐配置：GPU（如 RTX 3090/4090 24GB）、32GB 内存、1TB NVMe SSD，可流畅运行 13B+ 模型。
- •系统选择：Linux 系统（如 Ubuntu）通常能比 Windows 获得 10%~15% 的性能提升。
🌐 二、Web 端访问配置

让 DeepSeek R1 通过浏览器访问，能极大提升交互体验。主要有两种方式：

1. 通过 Chatbox AI 连接 Ollama

Chatbox AI 是一款支持多种模型的开源客户端，提供友好的图形界面。
- •下载与设置：访问 Chatbox AI 官网，启动网页版或下载桌面应用
- •配置连接：
  1. 1.在 Chatbox 设置中，将“模型提供方”选为 “Ollama API”。
  2. 2.在“模型”中选择你本地通过 Ollama 运行的 DeepSeek-R1 模型。
- •环境变量配置（关键步骤）：为了让 Ollama 允许外部连接（如 Chatbox），需要在系统环境变量中设置：
  - •OLLAMA_HOST=0.0.0.0
  - •OLLAMA_ORIGINS=*设置完成后，务必重启 Ollama 服务或电脑使变量生效5。
2. 通过 Docker 部署 Open WebUI

Open WebUI 是一个功能丰富的开源 Web 界面，支持通过 Docker 直接部署。
- •部署命令：docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main
- •访问与使用：部署完成后，在浏览器中访问 http://localhost:3000，首次进入需设置管理员账户，之后即可通过网页与你的 DeepSeek-R1 交互。
📚 三、个人知识库搭建与使用

本地部署的 DeepSeek R1 结合知识库，可以成为你的私人知识管家。

1. 搭建方法
- •使用 AnythingLLM（适合新手）：AnythingLLM 是一款开源知识库前端工具，对用户友好。
  1. 1.从 AnythingLLM 官网下载并安装。
  2. 2.在设置中配置模型，选择“Ollama”并提供你的 DeepSeek-R1 模型名称（如 deepseek-r1:8b）。
  3. 3.在知识库管理中，直接上传你的文档（支持 PDF, Word, TXT 等格式）。
- •使用 DeepSeek R1 的本地 API 集成：如果你偏好编程方式，可以在应用中使用 DeepSeek R1 本地部署后提供的 API 端点（通常是 http://localhost:8080/v1/completions），结合 LangChain 等框架构建 RAG（检索增强生成）应用1，来处理你的私人文档。
2. 数据导入与优化
- •文档准备：将知识文档整理为 TXT、PDF、Word 或 MD 格式。单文件建议小于 50MB 以确保处理效率。
- •处理与索引：上传后，系统（如 AnythingLLM）会自动进行解析、分块和向量化索引。
- •优化检索：知识库工具通常允许调整块大小（Chunk Size）和重叠区间（Overlap）等参数，以优化检索效果。例如，可设置 chunk_size: 1000和 overlap: 200。
3. 使用与查询

在 Web 界面中，你可以直接向知识库提问。模型会优先从你上传的文档中检索相关信息来生成答案

11。你可以询问诸如“请总结我上传的《用户体验要素》这本书的核心观点”之类的问题。

💡 四、注意事项与优化建议
1. 1.隐私与安全：本地部署的最大优势是数据完全私有，无需担心隐私泄露1。若需远程访问（如从外部网络连接家里的部署），务必使用内网穿透工具（如贝锐花生壳）并设置强密码或API密钥认证，以防未授权访问。
2. 2.性能瓶颈：
  - •显存不足：是常见问题。尝试使用更低参数的模型（如 7B 替代 14B），或开启 4-bit 量化（--quant 4bit）。
  - •生成速度慢：确保模型尽可能运行在 GPU 而非 CPU 上。Linux 系统通常性能更优。
3. 3.知识库维护：定期更新知识库内容，并保留历史版本。使用 Markdown 格式整理资料有助于提升文本识别和处理的准确率。
4. 4.模型选择：DeepSeek-R1 提供从 1.5B 到 671B 的多种版本。对大多数个人用户，7B或8B的量化版本在效果和资源消耗间取得了较好平衡。企业级应用可考虑更大参数模型。
Ollama PC本地化部署

1.1 下载Ollama
```
https://ollama.com
```
目前Ollama支持macOS、Linux、Windows，选择相应的系统，macOS和Windows直接下载，Linux系统需要执行下面命令：
```
curl -fsSL https://ollama.com/install.sh | sh
```
选择Windows本地下载，直接安装即可。

1.2 选择模型

点击Models，第一条就是deepseek-r1模型。或者搜索框输入模型名称进行搜索。

点击进去后，查看各个模型，不同模型执行的命令不同，最后部分看你选择的参数模型。

7b命令：ollama run deepseek-r1:7b

1.5b命令：ollama run deepseek-r1:1.5b

DeepSeek R1提供多个版本，参数量越大，模型通常越强大，但也需要更多的计算资源。

比如1.5B代表有15亿个参数。

具体选择哪一个看你硬件设备了。

1.3 运行命令

荣姐用的电脑配置不高，选了1.5b。如果你配置高，可以选择更大的，毕竟越大效果越好。

1.4 效果测试

当界面出现success显示安装成功。

输入你是谁，看到deepseek的回答。

2 DeepSeek+Chatbox网页端

本地命令行使用还是不太直观，可以选择Chatbox进行网页端访问，提高可交互性。

Chatbox AI 是一款 AI 客户端应用和智能助手，支持众多先进的 AI 模型和 API，可在 Windows、MacOS、Android、iOS、Linux 和网页版上使用。

本地使用Ollama部署完成后，可以使用Chatbox进行调用。

根据官方文档给出的步骤进行配置
```
https://chatboxai.app/zh/help-center/connect-chatbox-remote-ollama-service-guide
```
2.1 环境变量配置

默认情况下，Ollama 服务仅在本地运行，不对外提供服务。

要使 Ollama 服务能够对外提供服务，你需要设置以下两个环境变量：

OLLAMA_HOST：0.0.0.0

OLLAMA_ORIGINS：*

在 Windows 上，Ollama 会继承你的用户和系统环境变量。

1、通过任务栏退出 Ollama。

2、打开设置（Windows 11）或控制面板（Windows 10），并搜索“环境变量”。

3、点击编辑你账户的环境变量。

4、为你的用户账户编辑或创建新的变量 OLLAMA_HOST，值为 0.0.0.0；为你的用户账户编辑或创建新的变量 OLLAMA_ORIGINS，值为 *。

5、点击确定/应用以保存设置。

6、从 Windows 开始菜单启动 Ollama 应用程序。

2.2 chatbox设置

1、打开官网：https://chatboxai.app/zh，选择启动网页版。

2、选择本地模型，如果找不到，点击左侧的设置按钮。

3、选择Ollama API。

4、选择模型，本地运行Ollama后会自动出现模型的选项，直接选择即可。

5、点击DISPLAY，选择简体中文，点击保存按钮。

6、在聊天窗口输入问题进行测试。

2.3 搭配GPTs使用

1、点击左侧我的搭档

2、选择一个你喜欢的应用，本示例选择夸夸机2.0

3、随便输入一个场景，看看大模型的回答。比如自嘲、尴尬、夸张的场景，看看他怎么花样夸你。

3 DeepSeek知识库搭建

我们还可以通过浏览器插件来访问本地部署的大模型，这个插件还支持本地知识库搭建。

1、安装插件Page Assist，搜索插件后添加至Chrome

2、选择本地搭建的模型，点击配置按钮，设置中文

3、RAG设置，模型选择本地搭建的。

4、点击左侧管理知识，可以添加本地知识库。

填写知识标题及上传文件，点击提交按钮。

状态为已完成就可以使用了。

新建聊天进行测试，在聊天窗口要记得点击右下角知识，选择刚才搭建的知识库名称，然后在上方看到就可以了。

对模型进行测试，看看是否可以根据知识库进行回答。
2025 年 9 月 6 日