基于 LlamaIndex + DeepSeek + Streamlit 搭建智能问答系统

基于 LlamaIndex + DeepSeek + Streamlit 搭建智能问答系统（完整实战教程）

一、前言

当下大模型应用落地中，RAG（检索增强生成）是私有化知识库、企业智能问答、本地文档问答最主流的方案。本文从零讲解：RAG 核心概念、工具选型、环境搭建、代码实战，最终结合LlamaIndex、DeepSeek 大模型、Streamlit 前端框架完成带界面的流式智能问答系统，所有代码可直接运行，适合新手入门大模型应用开发。

二、整体技术栈与前期准备

2.1 技术栈介绍

表格

2.2 前期资源准备

1. DeepSeek API Key调用 DeepSeek 大模型必须申请官方 API Key，是程序和大模型通信的凭证。
2. 运行环境本地 Python 环境（推荐 Python 3.8+），也可使用云服务器部署私有化模型（服务器月租约 60~70 元，适合长期部署私有知识库）。
3. 辅助工具（拓展）
   • Cursor：AI 编程编辑器，付费版月费约 20$，国内可选择平价渠道，辅助代码编写、排错。
   • 私有化模型部署：可在服务器部署开源大模型，脱离公网 API，实现完全离线使用。

三、核心概念详解：RAG、向量、知识库与大模型的关系

3.1 什么是 RAG（检索增强生成）

RAG 全称Retrieval-Augmented Generation，检索增强生成，是弥补大模型短板的经典架构。

工作流程：

1. 提前将私有文档 / 知识库进行处理，转为向量数据存入向量库；
2. 用户发起提问时，程序先检索知识库，匹配和问题相关的片段内容；
3. 将「用户问题 + 检索到的知识库内容」一起拼接为 Prompt 传给大模型；
4. 大模型结合检索到的真实知识作答，大幅减少模型幻觉，答案更精准、贴合私有知识。

3.2 向量与知识图谱（RAG 两种数据载体）

1. 向量形式文本通过嵌入模型转为多维向量，向量维度越高，文本语义匹配精度越高，是目前 RAG 最常用的存储形式。
2. 知识图谱形式提取文本中的实体、关系、属性，以图谱结构存储，适合知识关联强、逻辑复杂的场景（如行业知识库、政务资料）。

简单总结：向量偏向全文语义检索，知识图谱偏向逻辑关系检索。

3.3 知识库 VS 大语言模型（形象理解）

• 知识库 + LlamaIndex=图书管理员 + 搜索引擎负责管理所有已有文档、精准检索相关内容，只做「查找、整理信息」，不做创作和总结。
• 大语言模型（DeepSeek）=知识渊博的讲解员接收检索到的信息 + 用户问题，进行理解、总结、分析、生成回答，负责内容输出与对话交互。

二者配合，就是标准 RAG 问答系统的核心逻辑。

四、LlamaIndex 框架介绍

4.1 LlamaIndex 核心作用

LlamaIndex是开源 Python 框架，专门为大模型应用开发设计，核心能力：

1. 快速构建文档知识库、检索系统；
2. 封装各类大模型（OpenAI、DeepSeek、通义千问等）的调用接口；
3. 内置聊天引擎、问答引擎、流式输出、会话记忆等能力，开箱即用；
4. 降低 RAG、智能问答、文档对话的开发门槛。

4.2 依赖包安装

根据对接的大模型，安装对应依赖包，pip命令通用（Windows/Mac/Linux 终端执行）。

1）基础 LlamaIndex 安装

bash

运行

pip install llama-index

2）对接 OpenAI 模型（官方默认）

bash

运行

pip install llama-index-llms-openai

3）对接 DeepSeek 模型（本文主力）

bash

运行

pip install llama-index-llms-deepseek

五、基础实战：LlamaIndex 对接 DeepSeek 实现控制台问答

5.1 核心代码解析 + Python 语法补充

5.1.1 基础导入与全局配置

在 LlamaIndex 中，Settings是全局配置类，作用是统一指定项目使用的大模型、嵌入模型、超时时间等，全局生效。

5.1.2 完整控制台问答代码

python 运行

# 1. 导入所需模块 from llama_index.core.chat_engine import SimpleChatEngine from llama_index.core import Settings from llama_index.llms.deepseek import DeepSeek # 2. 初始化 DeepSeek 大模型 # model：指定 DeepSeek 模型名称，api_key：填入你自己的 DeepSeek API Key llm = DeepSeek( model="deepseek-reasoner", api_key="你的DeepSeek_API_KEY" ) # 3. 全局设置：将默认模型替换为 DeepSeek Settings.llm = llm # 4. 初始化简易聊天引擎 chat_engine = SimpleChatEngine.from_defaults() # 方式1：交互式控制台问答（循环对话，输入问题即可交互） # chat_engine.chat_repl() # 方式2：流式输出（逐字返回答案，模拟真人打字效果） # 定义提问内容 query = "请用中文解释什么是 LlamaIndex" # 调用流式接口 response = chat_engine.stream_chat(query) # 遍历生成器，逐字符打印（Python 生成器语法） for token in response.response_gen: print(token, end="")

5.2 关键 Python 知识点补充

1. 生成器（Generator）response.response_gen是生成器对象，特点是边生成、边输出，不会一次性加载全部答案，实现流式输出，网页 / 控制台体验更流畅。
2. end=""参数print()默认换行，end=""表示打印后不换行，实现文字连续输出。
3. REPL 模式chat_repl()是交互式命令行模式（Read-Eval-Print-Loop），循环接收用户输入、执行、返回结果，直到手动终止程序。

六、前端实战：基于 Streamlit 搭建可视化问答页面

6.1 Streamlit 框架介绍

Streamlit是 Python 专用快速 Web 前端框架：

• 无需学习 HTML/CSS/JS，纯 Python 写网页；
• 代码修改实时热更新，开发效率极高；
• 内置聊天框、输入框、弹窗、markdown 渲染等组件，专门适配 AI 问答场景。

6.2 Streamlit 环境安装与验证

1）安装依赖

bash 运行

pip install streamlit

2）验证安装是否成功

终端执行以下命令，会自动拉起浏览器并打开测试页面，代表安装成功：

bash 运行

streamlit hello

6.3 Streamlit 基础语法讲解

6.3.1 页面基础配置

python 运行

import streamlit as st # 全局页面配置（必须写在代码最顶部） st.set_page_config( page_title="智能问答助手", # 浏览器标签标题 page_icon=":robot:", # 页面图标（emoji 表情） layout="wide", # 页面布局：wide=宽屏，centered=居中 initial_sidebar_state="expanded" # 侧边栏默认展开/收起 ) # 页面大标题 st.title("智能问答系统") # Markdown 文本渲染（支持标题、列表、代码块等语法） st.markdown("> 基于 LlamaIndex + DeepSeek 搭建的私有化知识问答平台")

核心组件说明

1. st.title()：一级标题；
2. st.markdown()：渲染 Markdown 格式文本，AI 系统最常用；
3. st.chat_input()：聊天输入框（专门用于对话场景）；
4. st.chat_message("user/assistant")：聊天消息容器，区分用户消息、AI 助手消息；
5. st.error()：错误提示弹窗，用于异常捕获。

6.4 完整项目代码（后端引擎 + 前端页面整合）

创建文件app.py，整合模型初始化、聊天引擎、前端页面、异常捕获、流式输出，可直接运行。

python 运行

# 导入依赖 import streamlit as st from llama_index.core.chat_engine import SimpleChatEngine from llama_index.core import Settings from llama_index.llms.deepseek import DeepSeek # ===================== 1. 初始化聊天引擎（封装为函数，便于复用） ===================== def initialize_chat_engine(): """ 初始化 LlamaIndex 聊天引擎 + DeepSeek 大模型 return: 聊天引擎对象 / None（初始化失败） """ try: # 初始化 DeepSeek 模型 llm = DeepSeek( model="deepseek-reasoner", api_key="你的DeepSeek_API_KEY" # 替换为自己的 Key ) # 全局指定大模型 Settings.llm = llm # 创建聊天引擎 chat_engine = SimpleChatEngine.from_defaults() return chat_engine except Exception as e: # 前端展示错误信息 st.error(f"聊天引擎初始化失败：{str(e)}") return None # ===================== 2. 主页面逻辑 ===================== def main(): # 页面全局配置（首行执行） st.set_page_config( page_title="DeepSeek 知识问答系统", page_icon=":robot:", layout="wide" ) # 页面标题与描述 st.title("📚 基于 DeepSeek + LlamaIndex 智能问答系统") st.markdown("---") st.markdown("💡 说明：本系统基于大模型实现智能对话，支持流式答案输出") # 初始化聊天引擎 chat_engine = initialize_chat_engine() # 判断引擎是否初始化成功 if chat_engine: # 聊天输入框，接收用户问题 user_prompt = st.chat_input("请输入你的问题...") # Python 海象运算符 := ：先赋值，再判断是否非空 if user_prompt: # 渲染用户消息 with st.chat_message("user"): st.markdown(user_prompt) # 渲染 AI 回答（流式输出） with st.chat_message("assistant"): try: # 获取流式响应 stream_response = chat_engine.stream_chat(user_prompt) # 定义空字符串，拼接流式内容 answer_placeholder = st.empty() full_answer = "" # 遍历生成器，逐字输出 for token in stream_response.response_gen: full_answer += token answer_placeholder.markdown(full_answer) except Exception as e: st.error(f"回答生成异常：{str(e)}") # ===================== 3. 程序入口（Python 标准入口写法） ===================== if __name__ == '__main__': main()

6.5 关键 Python 语法拓展

1. if __name__ == '__main__':程序入口Python 标准规范：当前文件作为主程序运行时，执行main()函数；如果文件被其他脚本导入，则不执行，是项目模块化开发必备写法。

2. 海象运算符:=（Python 3.8+ 新增）语法：变量 := 表达式作用：赋值 + 判断一步完成，简化代码。示例：if user_prompt := st.chat_input("请输入问题"):等价于：

   python 运行

   user_prompt = st.chat_input("请输入问题") if user_prompt: # 执行业务逻辑

3. with上下文管理器with st.chat_message("user"):表示「在这个消息容器内渲染内容」，代码块结束自动关闭容器，简化资源管理。

4. 异常捕获try...except捕获模型调用、网络、代码报错，避免程序直接崩溃，同时在前端展示错误原因，提升系统健壮性。

6.6 运行项目

终端进入app.py所在目录，执行命令启动网页应用：

bash 运行

streamlit run app.py

执行后会自动生成本地访问地址（默认http://localhost:8501），浏览器打开即可使用问答系统。

七、项目总结与后续拓展方向

7.1 本文知识点总结

1. 理解RAG 检索增强生成的核心原理、向量 / 知识图谱两种数据形式；
2. 分清「知识库（LlamaIndex）」和「大模型（DeepSeek）」的分工；
3. 掌握 LlamaIndex 对接 DeepSeek 大模型、控制台流式问答开发；
4. 学会 Streamlit 基础组件、纯 Python 快速搭建 AI 网页前端；
5. 掌握 Python 生成器、海象运算符、上下文管理器、异常捕获等实用语法。

7.2 后续进阶拓展（RAG 完整知识库落地）

1. 接入本地文档：使用 LlamaIndex 加载 PDF/Word/TXT 文档，构建私有知识库，实现「文档问答」；
2. 向量数据库：搭配 Chroma、FAISS、Milvus 等向量库，实现海量文档检索；
3. 会话记忆：给聊天引擎添加上下文记忆，实现多轮连续对话；
4. 私有化部署：在云服务器部署开源大模型，脱离公网 API，实现离线使用；
5. 智能体（Agent）：结合 LangChain 实现工具调用、任务编排等复杂智能体功能。

八、常见问题排错

1. API Key 报错检查 Key 是否填写正确、账户余额 / 调用额度是否充足、网络能否访问 DeepSeek API。
2. Streamlit 运行无页面检查端口是否被占用，或使用streamlit run app.py --server.port 8502指定新端口。
3. 流式输出卡顿网络问题导致大模型返回延迟，可增加超时配置。