搭建DeepSeek本地知识库的意义是？
一直想把Obsidian变成本地知识库，但是OpenAI太贵了，而且国内用太不方便，去年用4060单机跑了一些本地大模型，降智太严重。直到DeepSeek出现了，这些问题都解决了！终于可以让我的笔记走上AI之路了！
为什么要把笔记做成本地知识库呢，我觉得至少有以下几方面的助益：
- 智能化的知识提取：快速总结、对比和回顾笔记内容，让知识不再是孤立的片段，而是有机的整体。
- 高效的写作辅助：从错别字、语法检查到内容扩写改写，写作可以变得更加流畅和高效。
- 深度的知识关联：基于全库内容的问答和检索，突破对话框的局限，让知识之间的联系更加紧密。
本文分两部分，第一部分介绍知识库的需求和应用场景。可以根据第一部分内容判断是否有必要搭建你的个人知识库。第二部分是详细的设置步骤和方法教学。只需要方法的，直接跳到第二部分即可。
需求和场景描述
我的方案是使用DeepSeek的API，而不是本地模型。这个方案比较适合对于个人数据隐私不那么介意，电脑性能一般，但同时希望得到较好的问答体验的人。如果非常介意数据隐私和安全性，也不差钱的话，当然部署本地模型更方便，也不存在卡顿问题。但本地模型，至少需要1张4090才能得到比较满意的效果吧，而且跟满血应该还是有差距的。API能获得满血的推理能力，价格也很低，我觉得是性价比最高的方案了。唯一不足的太卡了，现阶段DeepSeek太火爆，官方和甚至硅基流动流量都很大，问答等待时间超长，体验没那么好，但可预见后续会改善。这里列个表格对比一下两种方案，可以根据需求选择使用API还是本地部署。
| 对比维度 | API | 本地模型 |
|---|---|---|
| 性能 | 高 | 取决于硬件 |
| 隐私 | 低 | 高 |
| 成本 | 低 | 高 |
| 易用性 | 高 | 中 |
至于为什么需要LM Studio，是因为大模型本身只提供了问答的接口。必须对笔记内容进行向量化处理才能跟大模型进行知识库的交互。我没试过Embedding模型是否也可以用API接口，因为我的笔记库本身很大，上千条笔记，内容太多了，感觉用API会很慢。Embedding模型本身不大，一般电脑都能跑起来，也没有显卡限制，用起来还是很方便的。第一次用Embedding模型建索引会有些慢，但是索引结果会存在Copilot插件的缓存文件里，后续每次只会对有变化的笔记重新索引，系统资源占用也很小。对我个人来说是最优方案。
集成AI以后，Prompt里可以直接引用笔记链接，甚至根据全库内容进行检索回答，超越了用网页版或者APP对话框的上下文的限制，绝对是个人知识管理质的飞跃。不过目前基于库的问答，结果只能说还行，回答内容常常是不太完整的，具体原因还待探索。另外免费版好像对时间不敏感，不能根据时间段对笔记进行总结，貌似插件作者搞了一个收费的Beta版，可以比较好的识别时间。但总的来说，基于库和笔记的AI助理，有网页和APP所不能替代的优势。
库问答（vault AQ）范例：关于PKM（个人知识管理）我做了哪些笔记？帮我写个2句话的摘要，并推荐这个主题相关的笔记给我。（只推了2篇笔记给我，实际当然不止，但至少推的都是对的）
设置方法和详细步骤
必要的工具&软件：
- Obsidian Copilot插件：在Obsidian中提供与AI交互的接口和界面
- LM Studio：使用本地Embedding模型对笔记进行索引（Embedding模型：大模型的一种，可以将文本转换为数值向量的技术，使得计算机能够更好地理解和处理文本内容。）
LM Studio安装（略）
Copilot插件安装（略）
步骤1：在Obsidian设置栏左侧第三方插件设置中选择Copilot，然后在上方标签找到Model
步骤2：在Chat Models右下角，点击Add Custom Model
步骤3：填写模型名称、Provider（选OpenAI格式）、Base URL（官网填https://api.deepseek.com；硅基流动填https://api.siliconflow.com/v1），把API从平台复制粘贴过来（API申请方法见下方步骤3补充）。
步骤3补充：API的申请方法
硅基流动：也卡，但比官网强点。新注册送14，够用很久。
https://cloud.siliconflow.cn/i/OREIgy2M
在主页模型广场找到DeepSeek模型，第一个就是。复制模型名称到剪贴板待用。
模型广场下方有个API密钥，点击后选择右侧的新建API密钥，给密钥起个名字（防止自己忘记这个是干啥的密钥了），然后复制粘贴到Copilot设置的API Key里。
官网API申请流程基本相同，找到DeepSeek开放平台：https://platform.deepseek.com/
登录申请API即可。
信息填写完记得点一下右下角的Verify，看看是否能跑通。然后点击Add Model。自定义模型就添加好了。
步骤4：添加Embedding模型
打开LM Studio，左侧边栏选择第二个图标。然后点击上方加载模型，加载好的Embedding模型，然后点击Status，运行模型。
Embedding模型会影响全库搜索的准确性和效果，建议用snowflake-arctic-embed-l-v2.0.F16.gguf，效果还可以，需要自行下载（魔搭或者hugging face镜像）。不推荐用安装LM Studio时自带的Nomic Embed Text v1.5
复制加载的模型名称到剪贴板备用。
回到Copilot设置，点击Model标签，往下翻到Embedding Models，点击Add Custom Model
填写模型名称，点击Verify测试是否正常运行，点击Add Model添加模型。使用期间LM Studio要一直开着，不能关闭。
步骤5：回到基础设置，Default Chat Model选刚刚添加的DeepSeek模型，Embedding Model选LM Studio上运行的模型。
最后，打开Copilot chat window就可以开始用啦，左下角点击vault QA，第一次使用时会要求建立索引。笔记多的话会要花点时间，索引建好就快啦。如果是基于单一笔记的问答，用chat就可以啦。
希望这篇笔记能帮到有相同需求的伙伴。预祝使用愉快~
