当前位置：首页 > news >正文

DeepSeek-R1-Distill-Qwen-1.5B快速上手：如何导出对话历史为Markdown并保留思考结构

news 2026/8/28 13:41:56

DeepSeek-R1-Distill-Qwen-1.5B快速上手：如何导出对话历史为Markdown并保留思考结构

1. 项目简介：你的本地智能对话助手

如果你正在寻找一个能在自己电脑上运行的智能对话助手，既要有不错的逻辑推理能力，又不需要昂贵的显卡，那么DeepSeek-R1-Distill-Qwen-1.5B可能就是你要找的答案。

这个项目基于一个特别设计的轻量级模型——DeepSeek-R1-Distill-Qwen-1.5B。简单来说，它结合了DeepSeek模型强大的推理能力和Qwen模型成熟的技术架构，然后通过一种叫做"蒸馏"的技术，把原本需要大量计算资源的大模型，压缩成了一个只有15亿参数的小巧版本。

15亿参数是什么概念？这意味着它可以在普通的笔记本电脑上运行，甚至不需要独立显卡也能工作。对于大多数用户来说，这大大降低了使用门槛。

整个项目用Streamlit构建了一个网页界面，你不需要懂任何命令行操作，打开浏览器就能像使用ChatGPT一样和它对话。更重要的是，所有的对话都在你的本地电脑上处理，你的问题、模型的回答，都不会上传到任何云端服务器，完全保护了你的隐私。

2. 为什么需要导出对话历史？

2.1 保存有价值的对话内容

当你和这个本地助手进行深入对话时，可能会产生很多有价值的内容。比如：

学习笔记：你向它请教某个技术概念，它给出了详细的解释和例子
代码解决方案：你让它帮忙写一段代码，它提供了完整的实现和注释
问题分析：你提出一个复杂问题，它展示了完整的思考过程
创意内容：你让它生成一些文案、故事或其他创意内容

这些内容如果只是留在网页界面里，关闭浏览器就没了，多可惜。导出保存下来，以后随时可以查阅、整理、分享。

2.2 保留独特的思考结构

这个模型有一个很特别的功能：它会展示自己的思考过程。当你问它一个问题时，它不会直接给出答案，而是先展示自己是怎么想的，然后再给出最终回答。

比如你问："Python里列表和元组有什么区别？"

模型可能会这样回答：

<think> 用户问的是Python中列表和元组的区别。我需要从几个方面来比较： 1. 可变性：列表是可变的，元组是不可变的 2. 语法：列表用方括号[]，元组用圆括号() 3. 性能：元组通常比列表更快 4. 使用场景：列表用于需要修改的数据，元组用于固定数据 我应该用表格的形式来展示这些区别，这样更清晰。 </think> 列表和元组都是Python中常用的数据结构，主要区别如下： | 特性 | 列表 | 元组 | |------|------|------| | 可变性 | 可变，可以修改元素 | 不可变，创建后不能修改 | | 语法 | 使用方括号 [] | 使用圆括号 () | | 性能 | 相对较慢 | 相对较快 | | 使用场景 | 需要频繁修改的数据 | 固定不变的数据，如坐标、配置 | | 内存占用 | 较大 | 较小 |

这种"先思考，再回答"的结构特别有价值，因为它不仅告诉你答案，还告诉你得到答案的思路。导出对话时保留这个结构，对你学习思考方法很有帮助。

2.3 方便整理和分享

导出的Markdown文件可以用任何文本编辑器打开，也可以导入到笔记软件里。你可以：

把相关的对话整理成学习资料
把解决问题的过程分享给同事或同学
建立自己的知识库，随时查阅
在不同设备间同步这些对话记录

3. 快速部署：10分钟搭建本地对话环境

3.1 环境准备

首先确保你的电脑满足基本要求：

操作系统：Windows 10/11，macOS，或者Linux都可以
内存：至少8GB RAM（16GB更好）
存储空间：需要约3GB的可用空间存放模型文件
Python版本：Python 3.8或更高版本

如果你没有安装Python，可以去Python官网下载安装。建议选择Python 3.8以上的版本。

3.2 安装必要的软件包

打开命令行工具（Windows上是命令提示符或PowerShell，macOS和Linux上是终端），输入以下命令安装需要的软件：

pip install torch streamlit transformers

这三个包的作用分别是：

torch：PyTorch深度学习框架，用来运行模型
streamlit：创建网页界面的工具
transformers：Hugging Face的模型库，用来加载和使用模型

安装过程可能需要几分钟时间，取决于你的网络速度。

3.3 下载项目代码

你需要获取这个对话助手的代码。通常代码会放在GitHub这样的代码托管平台上。你可以用git命令下载，或者直接下载ZIP文件。

如果使用git，在命令行中输入：

git clone https://github.com/用户名/项目名.git cd 项目名

如果下载ZIP文件，解压后进入项目文件夹。

3.4 运行对话助手

在项目文件夹里，你会看到一个Python文件，通常叫做app.py或者chat.py。在命令行中运行：

streamlit run app.py

第一次运行时会下载模型文件，这可能需要一些时间，因为模型文件大约有3GB大小。下载完成后，你会看到类似这样的信息：

You can now view your Streamlit app in your browser. Local URL: http://localhost:8501 Network URL: http://192.168.1.100:8501

打开浏览器，访问http://localhost:8501，就能看到对话界面了。

4. 基础使用：开始你的第一次对话

4.1 界面介绍

打开网页后，你会看到一个简洁的聊天界面：

左侧侧边栏：有一些设置选项和功能按钮
中间主区域：显示对话历史，你的问题在右侧，模型的回答在左侧
底部输入框：在这里输入你的问题，按回车发送

界面设计得很直观，和你用过的其他聊天工具很像，不需要特别学习就能上手。

4.2 问第一个问题

在输入框里，你可以问各种类型的问题。比如：

学习问题："解释一下什么是神经网络"
编程问题："用Python写一个计算斐波那契数列的函数"
逻辑问题："如果A说B在说谎，B说C在说谎，C说A和B都在说谎，谁在说真话？"
创意问题："写一个关于人工智能的短故事"

输入问题后按回车，模型就会开始思考并回答。第一次回答可能需要几秒钟时间，因为模型需要加载到内存中。

4.3 理解模型的回答

注意看模型的回答，它会分成两个部分：

思考过程：放在<think>标签里，用灰色背景显示
最终答案：思考过程之后的内容，用正常样式显示

这种结构让你能看到模型是怎么一步步推理的，对于学习复杂问题的解决方法特别有帮助。

4.4 继续对话

你可以基于模型的回答继续提问，形成多轮对话。比如：

你问："Python里怎么读取CSV文件？" 模型回答后，你可以接着问："那如果CSV文件很大，内存不够怎么办？"

模型会记住之前的对话内容，给出连贯的回答。

5. 导出对话历史为Markdown

5.1 为什么用Markdown格式？

Markdown是一种轻量级的标记语言，有这几个优点：

通用性强：几乎所有的文本编辑器都支持
可读性好：纯文本格式，人类可以直接阅读
转换方便：可以轻松转换为HTML、PDF等其他格式
平台无关：在Windows、macOS、Linux上都能正常显示

最重要的是，Markdown能很好地保留文本的结构，比如标题、列表、代码块等，正好适合保存结构化的对话内容。

5.2 手动导出方法

虽然当前的对话助手界面没有直接的"导出"按钮，但你可以手动保存对话内容。方法很简单：

选中对话内容：在网页界面中，用鼠标选中你想要保存的对话内容
复制到剪贴板：按Ctrl+C（Windows/Linux）或Cmd+C（macOS）复制
粘贴到文本编辑器：打开任何文本编辑器（如记事本、VS Code、Sublime Text等）
保存为Markdown文件：将文件保存为.md后缀，比如对话记录.md

不过这种方法有个问题：思考过程（<think>标签里的内容）和回答内容是混在一起的，没有很好的区分。

5.3 改进的导出方法

我们可以写一个简单的Python脚本来更好地导出对话。在项目文件夹里创建一个新文件export_chat.py：

import re from datetime import datetime def format_chat_to_markdown(messages): """将对话消息格式化为Markdown""" markdown_content = "# 对话记录\n\n" markdown_content += f"导出时间：{datetime.now().strftime('%Y-%m-%d %H:%M:%S')}\n\n" for i, msg in enumerate(messages, 1): if msg["role"] == "user": markdown_content += f"## 第{i//2 + 1}轮：用户提问\n\n" markdown_content += f"{msg['content']}\n\n" elif msg["role"] == "assistant": markdown_content += f"## 第{i//2}轮：助手回答\n\n" # 提取思考过程 think_match = re.search(r'<think>(.*?)</think>', msg['content'], re.DOTALL) if think_match: think_content = think_match.group(1).strip() markdown_content += "### 思考过程\n\n" markdown_content += f"{think_content}\n\n" # 提取回答部分（去掉思考标签） answer_content = re.sub(r'<think>.*?</think>', '', msg['content'], flags=re.DOTALL).strip() if answer_content: markdown_content += "### 最终回答\n\n" markdown_content += f"{answer_content}\n\n" else: markdown_content += f"{msg['content']}\n\n" markdown_content += "---\n\n" return markdown_content # 示例：假设这是从对话界面获取的消息列表 example_messages = [ { "role": "user", "content": "Python里列表和元组有什么区别？" }, { "role": "assistant", "content": """<think> 用户问的是Python中列表和元组的区别。我需要从几个方面来比较： 1. 可变性：列表是可变的，元组是不可变的 2. 语法：列表用方括号[]，元组用圆括号() 3. 性能：元组通常比列表更快 4. 使用场景：列表用于需要修改的数据，元组用于固定数据 我应该用表格的形式来展示这些区别，这样更清晰。 </think> 列表和元组都是Python中常用的数据结构，主要区别如下： | 特性 | 列表 | 元组 | |------|------|------| | 可变性 | 可变，可以修改元素 | 不可变，创建后不能修改 | | 语法 | 使用方括号 [] | 使用圆括号 () | | 性能 | 相对较慢 | 相对较快 | | 使用场景 | 需要频繁修改的数据 | 固定不变的数据，如坐标、配置 | | 内存占用 | 较大 | 较小 | 简单来说，需要修改数据时用列表，不需要修改时用元组。""" } ] # 生成Markdown markdown = format_chat_to_markdown(example_messages) # 保存到文件 with open("chat_export.md", "w", encoding="utf-8") as f: f.write(markdown) print("对话已导出到 chat_export.md")

这个脚本做了几件事：

自动提取思考过程和回答内容
用不同的标题层级区分用户问题和助手回答
单独展示思考过程，方便学习
添加时间戳，记录导出时间

5.4 集成到对话界面

如果你想让导出功能更方便，可以修改原来的对话助手代码，添加一个导出按钮。在Streamlit应用中添加：

import streamlit as st import re from datetime import datetime # ... 原有的代码 ... # 在侧边栏添加导出按钮 with st.sidebar: if st.button("导出对话为Markdown"): if st.session_state.messages: markdown_content = format_chat_to_markdown(st.session_state.messages) # 提供下载 st.download_button( label="下载Markdown文件", data=markdown_content, file_name=f"chat_export_{datetime.now().strftime('%Y%m%d_%H%M%S')}.md", mime="text/markdown" ) else: st.warning("还没有对话内容可以导出")

这样就在侧边栏添加了一个导出按钮，点击后可以直接下载Markdown文件。

6. 高级技巧：优化导出的对话记录

6.1 添加代码高亮

如果对话中包含代码，你可以在Markdown中使用代码块并指定语言，这样在支持语法高亮的编辑器中会更好看：

def format_code_blocks(content): """自动检测并格式化代码块""" # 检测Python代码 python_patterns = ['def ', 'import ', 'print(', 'for ', 'if '] if any(pattern in content for pattern in python_patterns): return f"```python\n{content}\n```" # 检测其他语言... return f"```\n{content}\n```"

6.2 提取关键信息

你可以让导出的文件包含一些元信息，方便整理：

def add_metadata(messages, markdown_content): """添加元数据到Markdown文件""" metadata = "---\n" metadata += f"对话轮数：{len(messages)//2}\n" metadata += f"总字数：{sum(len(m['content']) for m in messages)}\n" # 提取对话主题（从第一个问题中提取关键词） if messages: first_question = messages[0]['content'] # 简单的关键词提取逻辑 keywords = extract_keywords(first_question) metadata += f"主要话题：{', '.join(keywords)}\n" metadata += "---\n\n" return metadata + markdown_content

6.3 批量导出和管理

如果你有多个对话会话，可以创建一个管理系统：

import os import json from pathlib import Path class ChatExporter: def __init__(self, export_dir="chat_exports"): self.export_dir = Path(export_dir) self.export_dir.mkdir(exist_ok=True) def export_chat(self, messages, title=None): """导出单次对话""" if not title: title = f"对话_{datetime.now().strftime('%Y%m%d_%H%M%S')}" markdown_content = format_chat_to_markdown(messages) # 保存Markdown md_file = self.export_dir / f"{title}.md" md_file.write_text(markdown_content, encoding="utf-8") # 同时保存原始数据（JSON格式） json_file = self.export_dir / f"{title}.json" with open(json_file, "w", encoding="utf-8") as f: json.dump(messages, f, ensure_ascii=False, indent=2) return str(md_file) def list_exports(self): """列出所有导出的对话""" return list(self.export_dir.glob("*.md"))

6.4 自动整理和分类

你可以根据对话内容自动分类：

def categorize_chat(messages): """根据对话内容自动分类""" content = " ".join([m["content"] for m in messages]) categories = { "编程": ["python", "代码", "函数", "编程", "算法"], "学习": ["解释", "概念", "学习", "理解", "原理"], "创意": ["故事", "创意", "写作", "生成", "想象"], "逻辑": ["推理", "逻辑", "问题", "解决", "分析"], "日常": ["你好", "天气", "建议", "聊天", "日常"] } scores = {} for category, keywords in categories.items(): score = sum(content.lower().count(keyword) for keyword in keywords) if score > 0: scores[category] = score if scores: return max(scores.items(), key=lambda x: x[1])[0] return "其他"