DeepSeek + dify + ollama 三剑客：理论与实践，

这门课的名字里三个词——DeepSeek、dify、ollama——不是随便凑在一起的。它们分别对应了本地跑模型、编排应用、以及调用推理能力这三件事。如果你已经能装好一个模型、也能在网页上跟它聊两句，但一到「把它接进自己的程序里」「让模型读我自己的文档再回答」就卡住，那这篇导读就是写给你的。

先看清楚：这门课补的是哪一段缺口

很多人学 AI 的路径是这样的：看几篇讲原理的文章，知道 Transformer、知道 RAG 是什么，然后在网页端试了几个提示词，感觉「我会了」。可真要动手时，问题立刻冒出来——模型怎么在本地起起来？用哪个端口？dify 里那些节点到底谁先谁后？检索增强的「检索」到底检索的是什么、怎么塞进上下文？这些问题在原理文章里找不到答案，在纯 API 文档里又太碎。

这门课针对的正是这段「中间地带」：不是从零讲神经网络，也不是只丢给你一段能跑的代码，而是把本地模型部署、应用编排、检索增强这三块拼在一起，让你能自己搭出一条从「提问」到「基于资料回答」的完整链路。

三剑客各管什么，学完你该能说清楚

• ollama：负责把模型拉到本地跑起来。你要弄清楚的是模型怎么选、量化版本差别在哪、接口暴露出来之后谁能连上它。
• DeepSeek：负责推理和生成这一环。重点不在「它有多强」，而在它的调用方式、返回结构、以及什么时候该用本地、什么时候该走远端。
• dify：负责把上面两件事串成一个能用的应用。工作流怎么连、变量怎么传、知识库怎么挂、检索结果怎么进入提示词，这是最容易出错也最值得花时间的地方。

看完之后，你应该能回答这几个问题：为什么检索增强不是「把文档全塞给模型」？向量检索和关键词检索各自解决什么问题？当模型答非所问时，你该先怀疑检索还是先怀疑提示词？这些问题不搞明白，做出来的应用就只是「看起来能用」。

配套练习意味着什么

理论部分讲的是「为什么这么设计」，实践部分则是让你反复踩坑。你需要的环境无非是本地能跑模型的机器、一个可以改配置的 dify 实例，以及一份自己的小文档集——不必是公司资料，几十页 PDF 或自己整理的笔记就够。关键在于：你亲手把文档切分、灌进知识库、调一次检索参数，然后看着回答从「胡说」变成「有依据」。这个过程里犯的错，比看十遍教程都值钱。

哪些人适合，哪些人可以先跳过

如果你已经在做后端或数据相关的工作，想给自己手里的系统加一个问答入口，这门课的三件套组合是很直接的切口。如果你是产品岗，想搞清楚「检索增强到底能做到什么程度、哪里会翻车」，也值得跟着走一遍，至少以后跟工程对话时不会被术语绕晕。

但如果你连 Python 环境都没配过、命令行基本不用，建议先把基础补上再来——这门课不会花时间讲这些。

几个提醒

本地跑模型对硬件有要求，别指望在老旧笔记本上跑大参数版本，选个小一点的量化模型先跑通流程更实际。另外，检索增强的效果高度依赖你的资料质量，切分策略、相似度阈值、召回条数这些参数没有标准答案，需要你针对自己的数据反复试。课程给的是方法和路径，具体调优那一步，只能自己动手。

别把它当成「看完就会」的视频。把它当成一份操作清单：每讲一个环节，就在自己机器上复现一遍。这才是这门课真正能补上的缺口。