保姆级教程｜Python+DeepSeek-V4-Pro实现AI客服Demo 支持OCR扫描PDF+全格式RAG知识库（附完整源码）

一、前言

当下大模型开发学习中，AI对话问答是最热门的入门实践方向。相比于固定话术的传统问答程序，大模型驱动的对话Demo具备上下文记忆、自然语言理解、智能应答、场景适配等能力，非常适合新手练习大模型API调用、RAG知识库开发、OCR图文识别等核心技术。

DeepSeek 是国内高性能大模型服务平台，提供高稳定、低延迟的官方API服务，完全兼容OpenAI调用规范，接入简单、学习成本低。本文将手把手带大家基于 Python + DeepSeek API搭建一套功能完整的AI智能对话客服Demo。

项目最终实现：多轮上下文对话、流式打字输出、自定义问答人设、RAG私有知识库、TXT/PDF/Word/扫描PDF/图片全格式文档解析（本地OCR），全套代码开箱即用，零基础可搭建，适合大模型全流程技术学习。

二、项目技术栈与核心功能

2.1 核心技术栈

• 运行环境：Python 3.8+（全平台兼容）

• 大模型服务：DeepSeek Official API（最新 DeepSeek-V4-Pro）

• 调用框架：OpenAI 兼容SDK（零改造快速接入，适合API学习）

• RAG向量知识库：langchain、faiss-cpu、sentence-transformers（本地轻量化检索学习）

• 文档解析依赖：PyPDF2、python-docx（常规文档解析学习）

• OCR图文识别依赖：pytesseract、pdf2image、pillow（扫描件/图片解析实践）

• 核心特性：本地私有化部署、数据零上传、无泄露风险、低模型幻觉，纯技术学习向

2.2 项目功能亮点

• ✅ 自定义问答人设，适配日常咨询、知识答疑等学习场景

• ✅ 完整多轮对话记忆，上下文连贯，告别单轮问答割裂问题

• ✅ 流式实时输出，模拟真人打字效果，交互体验优秀

• ✅ 全格式知识库支持：TXT、Word、普通PDF、扫描PDF、JPG、PNG

• ✅ 智能双模解析：可复制文本高速解析、空白扫描文档自动触发OCR

• ✅ 批量自动切片、向量化入库，无需手动整理文档内容

• ✅ 全流程本地化：OCR识别、文档解析、向量检索均本地完成，学习环境下保护文件内容

• ✅ 支持模型参数自定义：创意度、最大输出字数、思考模式自由调节

• ✅ 轻量化无冗余代码，适合二次修改调试、技术拓展学习

三、前置环境准备（保姆级零报错配置）

本项目新增本地OCR扫描文档识别能力，可适配扫描手册、拍照文档、图片资料，是学习OCR+大模型结合开发的优质案例。部署前需完成「API密钥获取、Python依赖安装、系统OCR组件配置」三步操作。

3.1 获取 DeepSeek API Key

3.2 批量安装Python依赖库

一键安装所有RAG、文档解析、OCR识别依赖，采用清华镜像加速，解决超时、安装失败问题：

pip install openai langchain faiss-cpu sentence-transformers PyPDF2 python-docx pytesseract pdf2image pillow -i https://pypi.tuna.tsinghua.edu.cn/simple

3.3 系统OCR核心组件安装（全系统统一规范）

OCR识别依赖两大必备组件：Tesseract-OCR（文字识别引擎）、Poppler（PDF转图片工具）。以下为全系统统一规范安装、路径配置、校验教程，彻底解决新手配置报错、中文乱码、识别为空等问题，适配零基础学习。

3.3.1 Windows 系统完整配置（Win10/Win11通用）

① Tesseract-OCR 安装与配置

官方下载地址：Tesseract-OCR 官方发布页

推荐版本：最新稳定版 tesseract-ocr-w64-setup-5.5.3.20260724.exe（64位专属）

安装核心规范（必看）：

• 安装路径统一默认：C:\\Program Files\\Tesseract-OCR（禁止中文、空格、自定义路径）

• 组件勾选：核心运行程序、增强脚本数据、简体中文+英文语言包

• 勾选「自动添加系统环境变量」，简化配置流程

兜底环境变量配置（自动配置失效时手动补充）：

系统Path变量新增路径：C:\\Program Files\\Tesseract-OCR

② Poppler 工具安装与配置（PDF转图片必备）

官方发布页：poppler-windows 官方Release

稳定兼容版直链：poppler-24.08.0-0-w64.zip

统一解压规范：

• 解压至纯英文无空格路径：C:\\poppler

• 核心配置路径（唯一有效路径）：C:\\poppler\\Library\\bin

• 将上述 bin 路径添加至系统Path环境变量

③ 配置校验（百分百生效验证）

关闭所有终端、IDE，重启后依次执行校验命令，输出版本号即配置成功：

tesseract -v
pdfinfo -v

④ 代码路径兜底（Windows专属防错）

在项目代码中取消注释以下配置，固定引擎路径，彻底规避路径找不到报错：

# Windows系统固定路径兜底（Mac/Linux请注释此行）
pytesseract.pytesseract.tesseract_cmd = r'C:\\Program Files\\Tesseract-OCR\\tesseract.exe'

3.3.2 Mac 系统一键配置

安装Homebrew后，终端执行一键命令，自动安装组件、配置环境、适配中文：

brew install tesseract poppler

校验命令：tesseract -v，输出版本号即可正常使用。

3.3.3 Linux 系统一键配置（Ubuntu/Debian）

sudo apt update
sudo apt install tesseract-ocr tesseract-ocr-chi-sim poppler-utils -y

自动安装简体中文语言包、OCR引擎、PDF解析工具，零额外配置。

3.3.4 中文识别异常专属修复方案

• 中文乱码/识别为空：确认安装时勾选简体中文语言包

• 兜底修复：下载 chi_sim.traineddata 中文模型，放入 Tesseract-OCR/tessdata 目录

• 代码强制双语识别：固定参数 OCR_LANG = "chi_sim+eng"

3.3.5 全局配置规范总结（新手必记）

• 所有组件禁止安装在中文、空格、特殊字符路径

• 环境变量修改后，必须重启终端/IDE 方可生效

• 扫描PDF解析失败，90%为Poppler路径配置错误

• Windows优先开启代码路径兜底，一劳永逸解决报错

四、全格式RAG+OCR知识库原理

传统RAG知识库仅支持可复制文本文档，无法适配扫描件、拍照文档，是新手学习大模型知识库开发的常见难点。本项目升级智能双模解析架构，全自动区分文档类型，非常适合入门学习：

核心流程：读取本地文档 → 优先常规文本解析 → 无有效文本自动触发OCR图文识别 → 文本清洗智能切片 → 本地向量化入库 → 语义相似度检索 → 大模型精准答疑

核心优势：全流程本地化处理，文档数据无需上传云端，适合本地技术练习；自动适配所有主流文档格式，无需人工分类、格式转换，降低学习门槛。

五、完整可运行源码（全格式OCR+RAG智能问答Demo）

以下代码整合所有功能，统一编码规范、路径配置、异常捕获，兼容全平台，开箱即用，无冗余代码，适合新手学习参考。

import os
import shutil
from openai import OpenAI
from langchain.embeddings import SentenceTransformerEmbeddings
from langchain.vectorstores import FAISS
from langchain.text_splitter import CharacterTextSplitter
from langchain.document_loaders import TextLoader, PyPDFLoader, Docx2txtLoader
from langchain.schema import Document

# OCR识别依赖
import pytesseract
from pdf2image import convert_from_path
from PIL import Image

# ====================== 全局统一配置（全路径规范固定）======================
# DeepSeek API 客户端初始化
client = OpenAI(
api_key=os.environ.get("DEEPSEEK_API_KEY"),
base_url="https://api.deepseek.com/v1"
)

# 向量模型与文件路径统一配置
EMBEDDING_MODEL = "all-MiniLM-L6-v2"
FAISS_DB_PATH = "deepseek_rag_db"
KNOWLEDGE_DIR = "knowledge_base"
OCR_LANG = "chi_sim+eng"

# Windows系统Tesseract路径兜底（Mac/Linux注释此行）
# pytesseract.pytesseract.tesseract_cmd = r'C:\\Program Files\\Tesseract-OCR\\tesseract.exe'

# 自动创建知识库目录
if not os.path.exists(KNOWLEDGE_DIR):
os.mkdir(KNOWLEDGE_DIR)
with open(os.path.join(KNOWLEDGE_DIR, "使用说明.txt"), "w", encoding="utf-8") as f:
f.write("支持格式：TXT、DOCX、PDF、扫描PDF、JPG、PNG\\n放入文件后输入 update 即可更新知识库\\n")

class DeepSeekRAGChatDemo:
def __init__(self):
# 统一问答人设提示词
self.system_prompt = """
你是专业耐心的智能问答助手，严格遵循以下规则应答：
1. 优先依据知识库内容回答，无资料不编造、不幻觉
2. 知识库无匹配内容，使用通用知识友好回复并主动告知
3. 语气通俗简洁、耐心友好，拒绝冗余专业术语
4. 无法解答礼貌说明，全程使用中文应答
""".strip()

# 初始化对话上下文
self.chat_history = [{"role": "system", "content": self.system_prompt}]
# 初始化向量模型与知识库
self.embedding = SentenceTransformerEmbeddings(model_name=EMBEDDING_MODEL)
self.vector_db = self.init_rag_db()

def ocr_scan_pdf(self, file_path):
"""OCR解析扫描版/图片型PDF文档"""
docs = []
try:
pages = convert_from_path(file_path)
for idx, page in enumerate(pages):
text = pytesseract.image_to_string(page, lang=OCR_LANG).strip()
if text:
docs.append(Document(page_content=text, metadata={"source": file_path, "page": idx + 1}))
except Exception as e:
print(f"[扫描PDF解析失败] {file_path}：{str(e)}")
return docs

def ocr_image(self, file_path):
"""OCR解析JPG/PNG图片文档"""
docs = []
try:
img = Image.open(file_path)
text = pytesseract.image_to_string(img, lang=OCR_LANG).strip()
if text:
docs.append(Document(page_content=text, metadata={"source": file_path}))
except Exception as e:
print(f"[图片OCR解析失败] {file_path}：{str(e)}")
return docs

def load_all_documents(self):
"""批量加载解析全格式文档（智能双模识别）"""
documents = []
file_count = 0

for file_name in os.listdir(KNOWLEDGE_DIR):
file_path = os.path.join(KNOWLEDGE_DIR, file_name)
if os.path.isdir(file_path):
continue

# 1. TXT文本文档
if file_name.endswith(".txt"):
loader = TextLoader(file_path, encoding="utf-8")
documents.extend(loader.load())
file_count += 1

# 2. PDF双模解析（文本优先，无文本自动OCR）
elif file_name.endswith(".pdf"):
loader = PyPDFLoader(file_path)
pdf_docs = loader.load()
text_content = "".join([d.page_content.strip() for d in pdf_docs])
if not text_content:
pdf_docs = self.ocr_scan_pdf(file_path)
documents.extend(pdf_docs)
file_count += 1

# 3. Word文档
elif file_name.endswith((".docx", ".doc")):
loader = Docx2txtLoader(file_path)
documents.extend(loader.load())
file_count += 1

# 4. 图片文档OCR解析
elif file_name.endswith((".jpg", ".jpeg", ".png")):
documents.extend(self.ocr_image(file_path))
file_count += 1

print(f"[系统] 本次共解析 {file_count} 个文档/图片文件")
return documents

def init_rag_db(self):
"""初始化/重建本地FAISS向量知识库"""
# 加载已有知识库
if os.path.exists(FAISS_DB_PATH):
return FAISS.load_local(FAISS_DB_PATH, self.embedding, allow_dangerous_deserialization=True)

# 加载并切片文档
documents = self.load_all_documents()
if not documents:
print("[系统提示] 知识库暂无有效文档，请放入文件后执行 update 更新！")
return None

text_splitter = CharacterTextSplitter(chunk_size=300, chunk_overlap=50, separator="\\n")
split_docs = text_splitter.split_documents(documents)

# 构建并保存向量库
vector_db = FAISS.from_documents(split_docs, self.embedding)
vector_db.save_local(FAISS_DB_PATH)
print(f"[系统] 知识库构建完成，总文本片段数：{len(split_docs)}")
return vector_db

def search_knowledge(self, query: str, top_k=2):
"""语义检索匹配私有知识库内容"""
if not self.vector_db:
return "暂无私有知识库数据，将使用通用知识作答"
results = self.vector_db.similarity_search(query, k=top_k)
return "\\n".join([doc.page_content.strip() for doc in results])

def chat_stream(self, user_input: str):
"""流式对话+RAG知识库增强应答"""
rag_text = self.search_knowledge(user_input)
prompt = f"【私有知识库内容】\\n{rag_text}\\n【用户问题】\\n{user_input}"
self.chat_history.append({"role": "user", "content": prompt})

try:
stream = client.chat.completions.create(
model="deepseek-v4-pro",
messages=self.chat_history,
temperature=0.7,
max_tokens=2048,
stream=True,
extra_body={"thinking_mode": "normal"}
)

full_reply = ""
print("[智能问答]：", end="", flush=True)
for chunk in stream:
content = chunk.choices[0].delta.content
if content:
print(content, end="", flush=True)
full_reply += content

self.chat_history.append({"role": "assistant", "content": full_reply})
print("\\n")

except Exception as e:
print(f"[系统异常] 应答失败：{str(e)}\\n")

def clear_history(self):
"""清空本轮对话上下文记忆"""
self.chat_history = [{"role": "system", "content": self.system_prompt}]
print("[系统] 已清空对话历史，可重新提问\\n")

def update_knowledge(self):
"""强制更新重建知识库"""
if os.path.exists(FAISS_DB_PATH):
shutil.rmtree(FAISS_DB_PATH)
self.vector_db = self.init_rag_db()
print("[系统] 全格式OCR知识库更新完成\\n")

if __name__ == "__main__":
service = DeepSeekRAGChatDemo()
print("=" * 75)
print("DeepSeek 全格式OCR智能问答Demo启动成功 | 支持文本/扫描PDF/图片/Word")
print("指令说明：直接提问咨询 | clear清空对话 | update更新知识库 | exit退出程序")
print("=" * 75 + "\\n")

while True:
user_input = input("[用户]：").strip().lower()
if user_input == "exit":
print("[系统] 程序已退出，感谢使用！")
break
elif user_input == "clear":
service.clear_history()
elif user_input == "update":
service.update_knowledge()
elif not user_input:
print("[系统提示] 输入内容不能为空，请重新输入\\n")
else:
service.chat_stream(user_input)

六、知识库使用规范（统一操作流程）

6.1 支持文件格式

• 文本格式：.txt、.docx、.doc、可复制文本PDF

• 扫描图片格式：扫描版PDF、图片型PDF、JPG、JPEG、PNG截图

6.2 标准化使用步骤

6.3 OCR识别优化规则

• 默认开启「中文+英文」双语识别，适配绝大多数学习类文档

• 智能容错：单文件识别失败不影响整体知识库构建，自动跳过损坏文件

• 文本PDF优先高速解析，空白内容自动切换OCR模式，兼顾速度与兼容性

七、项目核心学习优势

7.1 双模智能解析，零人工干预

彻底解决传统RAG仅支持文本文档的学习痛点，系统自动判别PDF类型，可复制文本高速解析、扫描图片PDF自动OCR识别，无需手动分类转换格式，是学习多模态文档解析的优质案例。

7.2 全本地化部署，学习安全可控

文档解析、OCR识别、向量检索全部在本地设备完成，本地处理文件内容，适合个人技术练习，规避文件内容上传泄露问题。

7.3 适配DeepSeek-V4-Pro模型能力

新版模型对OCR碎片化文本、不规整排版文档适配性极强，可自动梳理错乱内容、提取核心信息，大幅提升扫描文档的问答准确率，适合学习大模型文本纠错、语义理解能力。

八、项目运行效果演示

===========================================================================
DeepSeek 全格式OCR智能问答Demo启动成功 | 支持文本/扫描PDF/图片/Word
指令说明：直接提问咨询 | clear清空对话 | update更新知识库 | exit退出程序
===========================================================================

[系统] 本次共解析 5 个文档/图片文件
[系统] 知识库构建完成，总文本片段数：32

[用户]：设备日常维护规范有哪些？
[智能问答]：您好！设备日常维护需遵循以下规范：
1. 每日开机前检查电源、线路、机身外观，排查破损、漏电隐患；
2. 设备运行禁止超负荷工作，定时停机散热；
3. 每日下班清理机身灰尘、杂物，保持设备整洁；
4. 每月完成整机巡检，紧固零件、排查线路老化问题。

[用户]：扫描件中的售后报修流程是什么？
[智能问答]：设备售后报修完整流程：用户故障反馈 → 客服信息登记 → 技术初审 → 上门/寄修服务 → 故障确认 → 维修验收完结。

[用户]：update
[系统] 本次共解析 6 个文档/图片文件
[系统] 全格式OCR知识库更新完成

[用户]：clear
[系统] 已清空对话历史，可重新提问

[用户]：exit
[系统] 程序已退出，感谢使用！

九、API密钥安全配置（学习最佳实践）

严禁在代码中明文写入API Key，极易造成密钥泄露、恶意扣费，统一使用系统环境变量配置，适合学习开发规范：

9.1 Windows 临时配置（当前终端生效）

set DEEPSEEK_API_KEY=你的DeepSeek_API密钥

9.2 Mac/Linux 临时配置

export DEEPSEEK_API_KEY=你的DeepSeek_API密钥

永久配置可写入系统环境变量文件，重启终端即可全局生效。

十、常见报错一站式排查（全场景覆盖）

10.1 OCR识别为空/失效

原因：Tesseract未安装、环境变量未配置、未加载中文语言包 解决方案：重装完整版Tesseract，配置系统环境变量，开启代码路径兜底，确认 chi_sim 语言参数正确。

10.2 PDF转图片报错、poppler not found

原因：Poppler未安装或配置路径错误 解决方案：严格按照规范解压至 C:\\poppler，仅配置 Library\\bin 路径至环境变量，重启终端生效。

10.3 中文乱码、识别不全

原因：缺失中文训练模型 解决方案：补充 chi_sim.traineddata 模型至tessdata目录，固定双语识别参数。

10.4 通用运行报错

• API key is required：未配置环境变量密钥，重新设置DEEPSEEK_API_KEY

• Insufficient Balance：账号额度不足，前往DeepSeek平台领取免费额度或充值

• Word解析失败：老旧 .doc 格式转为 .docx 后重新入库

• 响应缓慢：切换 deepseek-chat 轻量模型，调低检索top_k数值

十一、项目二次学习拓展方向

十二、项目总结

本项目完成了基础大模型对话 → 文本RAG知识库 → 多格式文档解析 → OCR扫描件识别的全流程技术实践。基于最新DeepSeek-V4-Pro大模型，搭配本地FAISS向量检索+私有化OCR识别，解决了传统大模型Demo幻觉严重、格式适配单一、无法识别扫描文档的常见问题。

整套项目代码轻量化、部署简单、零学习门槛，全程本地运行，非常适合新手练习大模型API调用、RAG检索、OCR图文识别等核心技术，是入门大模型应用开发的优质实践案例。