當 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，它也能依此精準切入，給出令人滿意的答案。可誰能想到，第二天再聊，它竟像失憶一般，昨天共享的數據全然沒了印象，一切又回到最初狀態。
在 AI 的奇妙世界里，其記憶機制別有一番特點。以 DeepSeek、GPT 為代表的大多數 AI 模型，默認無狀態，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，可會話一結束，記憶就被清空。這主要是因為技術上它們基于 Transformer 架構，設計為無狀態來規避隱私和安全風險；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” 不會因為上述原因化為烏有才是我們需要關心的問題。在接下來的文章中，我將介紹如何有效地“投喂”數據給本地部署的 DeepSeek-R1，并通過實驗測試其效果。
關于如何投喂數據給本地部署的 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為我所用。
為了測試效果，我選擇了一篇小學課文《一只小羊羔》作為示范。這篇文章講述了一個關于巴特救小羊羔的溫馨故事，情節簡單但富有教育意義。
文章內容如下：
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 是一款側重于提供便捷聊天交互體驗，可使用多種模型且注重隱私保護的開源桌面 AI 應用；而 Anything LLM 是一個強調靈活性和可擴展性，能將各種文檔轉為 LLM 上下文數據，支持多用戶、多模型及多種文檔類型的開源全棧 AI 應用程序。
首先，我使用 ChatBox 進行測試。在聊天框中，我將《一只小羊羔》的 PDF 文檔共享了出來：
然而，當我關閉對話并重新開啟新的對話后，發現它完全失憶了。同樣的問題再次被提出時，AI 已經沒有任何記憶。
這種情況在 Anything LLM 上未“投喂”數據之前也是同樣的結果。
重開新的聊天對話后：
接下來，我使用 Anything LLM 來為 DeepSeek-R1 “投喂”數據。這一次，我仍然選擇《一只小羊羔》的 PDF 文檔作為實驗材料。
然后我們重新開一個對話看效果：
通過 Anything LLM，借助 RAG（檢索增強生成）技術，我們發現，本地 AI 大模型終于擁有了記憶能力。這是因為 Anything LLM 運用嵌入引擎和向量數據庫，將“投喂”的數據妥善保存，并巧妙轉化為 DeepSeek-R1 易于理解和利用的格式，從而賦予了它強大的知識庫能力。
通過實驗可以發現，借助 Anything LLM 的 RAG 技術，“投喂” 數據后，AI 表現出了顯著的提升。這種技術不僅讓 AI 擁有了“記憶”，還能夠持續利用這些信息為用戶提供更精準的服務。
既然我們能實現讓 AI 擁有了“記憶”功能，那接下來就是持續收集新內容來提升其價值吧。每天源源不斷地將文本文件、PDF、網頁抓取內容等知識輸入，充實知識庫。隨著內容的持續更新，知識庫不斷完善，當被 AI 大模型提取運用，就能與用戶需求高度契合，提供更精準、更貼心的服務，最大化發揮 AI 的實用價值 。
