Ollama + DeepSeek 本地大模型实现联网回答

之前写了如何通过 Ollama 实现大模型本地化，本次将通过代码实现 Ollama + DeepSeek 实现本地大模型的联网回答能力。有点类似 DeepSearch的逻辑。

代码实现

实现本地大模型联网实际上并不复杂，核心思路就是通过搜索引擎的 API 获取查询结果，然后再通过爬虫抓取网页内容，最终将这些信息提交给 AI 进行分析和回答。本次实现的方式是通过 Google Search API 来完成联网搜索的能力。在开始之前，需要先申请 Google 搜索的 API Key，具体方法可以参考我之前写的文章 《AnythingLLM 接入联网搜索 Web Search》，这里不再赘述。

封装 Ollama 请求

首先，需要在本地安装 Ollama，并通过 Ollama 下载 DeepSeek 模型。如果还没有完成，可以参考之前的文章，拉取模型时可以根据本地配置选择 deepseek-r1:7b 或者 deepseek-r1:14b。

安装好 Ollama 后，我们可以使用 npm 安装 ollama 这个库，以简化 API 调用。然后，我们可以封装一个 generateResponse 方法来处理 AI 生成的响应。

import { Ollama } from 'ollama';

const ollama = new Ollama({ host: "http://localhost:11434" });

export async function generateResponse(prompt, params = {}) {
  try {
    const response = await ollama.generate({
      prompt,
      model: process.env.MODEL_NAME || 'deepseek-r1:14b',
      stream: false,
      ...params
    });
    return response?.response || null;
  } catch (error) {
    console.error("generateResponse: 请求失败", error);
    return null;
  }
}

封装 Google Search 请求

接下来，需要封装一个 Google 搜索的请求方法，以便后续调用。Google 搜索 API 的使用方式较为简单，只需要调用一个接口，在请求时传入 cx（Google 搜索 ID）、key（Google 搜索密钥），以及 q（搜索内容）即可。封装的方法如下：

import axios from 'axios';

export async function searchGoogle(query, params) {
  const { GOOGLE_SEARCH_ID, GOOGLE_SEARCH_KEY } = process.env;
  try {
    const response = await axios.get('https://www.googleapis.com/customsearch/v1', {
      params: {
        cx: GOOGLE_SEARCH_ID,
        key: GOOGLE_SEARCH_KEY,
        q: query,
        ...params,
      },
    });
    return response.data || null;
  } catch (error) {
    console.error("searchGoogle: 搜索请求失败", {
      message: error.message,
      status: error.response?.status,
      data: error.response?.data
    });
    return null;
  }
}

封装网页抓取方法

Google 搜索 API 返回的结果包含页面的各种信息，例如 URL、标题、内容片段等。但通常搜索引擎提供的内容片段并不足以让 AI 进行深度理解，因此需要进一步抓取网页内容，以获取完整的正文内容。

在 Node.js 生态中，cheerio 是一个非常常用的爬虫库，它可以将 HTML 字符串解析成类似 jQuery 的对象，使得在 Node.js 中操作 DOM 变得更加方便。由于大部分文章的字数通常较多，同时 AI 模型存在 Token 限制，因此在抓取内容时，我们需要对其进行截取，避免超出限制。

import axios from 'axios';
import * as cheerio from 'cheerio';

export async function fetchWebContent(url) {
  try {
    const response = await axios.get(url);
    const $ = cheerio.load(response.data);
    const text = $('body').text().replace(/\s+/g, ' ').trim();
    return text.slice(0, 5000);
  } catch (error) {
    console.error(`抓取失败: ${url}`, error.message);
    return null;
  }
}

实现主方法

在实现主方法之前，还需要封装一个用于获取所有页面内容的方法。Google 搜索 API 返回的结果是一个包含多个页面链接的列表，因此我们需要将这些链接转换为请求任务，并发执行。同时，并不需要所有请求都成功，因此可以使用 Promise.allSettled 代替 Promise.all，只保留成功的请求结果。

function getAllPageContent(items) {
  const allRequest = items.map(({ link }) => fetchWebContent(link));
  return new Promise((resolve) => {
    Promise.allSettled(allRequest).then((results) => {
      const fulfilledResults = results.filter(({ status }) => status === 'fulfilled');
      resolve(fulfilledResults.map(({ value }, idx) => ({ ...items[idx], content: value })));
    });
  })
}

主方法的核心逻辑是首先让 AI 根据用户的问题拆分出搜索关键词，这样可以避免用户输入较长的问题时搜索引擎无法提供有效结果的情况。拿到搜索关键词后，调用 Google 搜索 API 获取搜索结果，并使用 getAllPageContent 方法抓取内容。最后，将问题和相关内容提交给 AI，让 AI 进行分析并生成回答。

async function main() {
  const question = process.argv.slice(2).join(' ').trim();
  console.log(`问题: ${question}`);

  const questionPrompt = `请根据以下内容总结用于 Google 搜索的关键词：${question}，并以加号分隔关键词，例如：关键词1 + 关键词2 + 关键词3。只返回关键词，不要自行扩展，不要包含其他内容。`;

  try {
    const searchPrompt = await generateResponse(questionPrompt);
    const search = searchPrompt.trim().split('\n').pop();
    console.log(`搜索关键词: ${search}`);

    const searchResult = await searchGoogle(search);
    if (!searchResult?.items || searchResult.items.length === 0) {
      console.error('未找到相关搜索结果');
      return;
    }
    const results = await getAllPageContent(searchResult.items);

    const webContent = results.map(({ content }) => content).filter(Boolean).join('\n');

    const answerPrompt = `基于以下网络搜索结果回答问题：\n${webContent}\n问题：${question} \n答案：`;
    const response = await generateResponse(answerPrompt);
    console.log('回答:', response.trim());
  } catch (error) {
    console.error('发生错误:', error.message);
  }
}

main();

实现效果

通过 node index "问题内容" 进行联网检索

node index "DeepSeek 和 ChatGPT 相比有哪些优点"

由于我之前已经问过一次了，可以从这次回答的思考中看出来，这次回答是对上次回答的补充，不过我有些奇怪，使用 ollama 的 generate 接口也会有之前的聊天记忆吗。

结语

本文介绍了 Ollama + DeepSeek 实现本地大模型联网的方法，完整代码已上传至 Github。如果要提升 AI 回答的精确度，还需要进一步结合向量数据库，将完整的文章内容转换为向量后再进行搜索，才能提高检索的准确性。