當(dāng) DeepSeek-R1 在本地成功部署那一刻，興奮與激動如潮水般涌上心頭，迫不及待地開啟與它的熱烈對話，話題一個接一個，暢聊不停。出于探索的熱情，還按照自己的思路給它共享了不少知識，它也能依此精準(zhǔn)切入，給出令人滿意的答案?？烧l能想到，第二天再聊，它竟像失憶一般，昨天共享的數(shù)據(jù)全然沒了印象，一切又回到最初狀態(tài)。

在 AI 的奇妙世界里，其記憶機(jī)制別有一番特點(diǎn)。以 DeepSeek、GPT 為代表的大多數(shù) AI 模型，默認(rèn)無狀態(tài)，無持久化記憶。每次對話都是全新開場，不會記住上一次聊了啥。單次會話中雖能記些信息，可會話一結(jié)束，記憶就被清空。這主要是因?yàn)榧夹g(shù)上它們基于 Transformer 架構(gòu)，設(shè)計(jì)為無狀態(tài)來規(guī)避隱私和安全風(fēng)險；同時，持久化記憶需大量資源，本地部署往往難以滿足，再加上隱私考量，對話歷史就不會被存儲。

如何讓我們的“投喂” 不會因?yàn)樯鲜鲈蚧癁闉跤胁攀俏覀冃枰P(guān)心的問題。在接下來的文章中，我將介紹如何有效地“投喂”數(shù)據(jù)給本地部署的 DeepSeek-R1，并通過實(shí)驗(yàn)測試其效果。

關(guān)于如何投喂數(shù)據(jù)給本地部署的 DeepSeek-R1 請參考我之前的下面文章。

文章主題：如何投喂本地部署的 DeepSeek-R1

鏈接：
https://www.toutiao.com/article/7466724739818504744/

接下來，我想通過測試來展示，“投喂” 效果到底如何，是否可以讓 AI 擁有永恒記憶，并利用這些記憶持續(xù)為我所用。

為了測試效果，我選擇了一篇小學(xué)課文《一只小羊羔》作為示范。這篇文章講述了一個關(guān)于巴特救小羊羔的溫馨故事，情節(jié)簡單但富有教育意義。

文章內(nèi)容如下：

為了測試效果，我這里使用兩個接入 DeepSeek-R1 平臺工具：ChatBox 和 Anything LLM 來展示。

ChatBox 是一款側(cè)重于提供便捷聊天交互體驗(yàn)，可使用多種模型且注重隱私保護(hù)的開源桌面 AI 應(yīng)用；而 Anything LLM 是一個強(qiáng)調(diào)靈活性和可擴(kuò)展性，能將各種文檔轉(zhuǎn)為 LLM 上下文數(shù)據(jù)，支持多用戶、多模型及多種文檔類型的開源全棧 AI 應(yīng)用程序。

首先，我使用 ChatBox 進(jìn)行測試。在聊天框中，我將《一只小羊羔》的 PDF 文檔共享了出來：

然而，當(dāng)我關(guān)閉對話并重新開啟新的對話后，發(fā)現(xiàn)它完全失憶了。同樣的問題再次被提出時，AI 已經(jīng)沒有任何記憶。

這種情況在 Anything LLM 上未“投喂”數(shù)據(jù)之前也是同樣的結(jié)果。

重開新的聊天對話后：

接下來，我使用 Anything LLM 來為 DeepSeek-R1 “投喂”數(shù)據(jù)。這一次，我仍然選擇《一只小羊羔》的 PDF 文檔作為實(shí)驗(yàn)材料。

然后我們重新開一個對話看效果：

通過 Anything LLM，借助 RAG（檢索增強(qiáng)生成）技術(shù)，我們發(fā)現(xiàn)，本地 AI 大模型終于擁有了記憶能力。這是因?yàn)?Anything LLM 運(yùn)用嵌入引擎和向量數(shù)據(jù)庫，將“投喂”的數(shù)據(jù)妥善保存，并巧妙轉(zhuǎn)化為 DeepSeek-R1 易于理解和利用的格式，從而賦予了它強(qiáng)大的知識庫能力。

通過實(shí)驗(yàn)可以發(fā)現(xiàn)，借助 Anything LLM 的 RAG 技術(shù)，“投喂” 數(shù)據(jù)后，AI 表現(xiàn)出了顯著的提升。這種技術(shù)不僅讓 AI 擁有了“記憶”，還能夠持續(xù)利用這些信息為用戶提供更精準(zhǔn)的服務(wù)。

既然我們能實(shí)現(xiàn)讓 AI 擁有了“記憶”功能，那接下來就是持續(xù)收集新內(nèi)容來提升其價值吧。每天源源不斷地將文本文件、PDF、網(wǎng)頁抓取內(nèi)容等知識輸入，充實(shí)知識庫。隨著內(nèi)容的持續(xù)更新，知識庫不斷完善，當(dāng)被 AI 大模型提取運(yùn)用，就能與用戶需求高度契合，提供更精準(zhǔn)、更貼心的服務(wù)，最大化發(fā)揮 AI 的實(shí)用價值 。