DeepSeek+RAGFlow私有化部署完全指南：零基础到精通的保姆级教程

这期内容分享下在我们个人本地电脑私有化部署 DeepSeek R1 + RAGFlow，也想观察下在没有GPU的机器上跑起来体验如何？

前排提示，文末有大模型AGI-优快云独家资料包哦！

这期分享全程操作的干货内容，言简意赅，不要怕学不会，现在部署大模型已经很简单了。照着我说的一步步做，一定能成功！

① 我本地的环境

AMD Ryzen 5 5600G 3.90 GHz  
16.0 GB (15.4 GB 可用)  
1TB固态  
没有独显（哈哈）  
Windows 11 专业版  
本地虚拟机  
CentOS Linux release 7.9.2009 (Core)  
安装好 Docker，这个不会可以问AI，Linux几行命令就搞定

以上环境相信大部分朋友都具备。

② 下载和安装ollama

\# 下载地址  
https://ollama.com/download/windows  
  
\# 配置下环境变量  
\# ollama 默认只允许本地访问，不配置的话我们虚拟机不能和本地ollama连接  
OLLAMA\_HOST 0.0.0.0:11434  
\# 模型下载位置，推荐配置下  
OLLAMA\_MODELS D://models/xxx  
  
\# 傻瓜式下一步安装，安装后最好重启下电脑

③ 下载 DeepSeek 模型

\# 这里推荐下载7b，大概4G，要一会儿  
ollama run deepseek-r1:7b  
\# 如果就是学习下步骤，也可以下1.5b，快  
ollama run deepseek-r1:1.5b  
\# 我2模型个都下了，下的过程中，可能到最后会很慢  
\# 不要怕，直接Ctrl + C结束  
\# 再执行下载，他有断点续传，再下就发现很快  
  
\# 跑起来就直接进对话指令了，类似如下  
C:\\Users\\sailen>ollama run deepseek-r1:7b  
\>>> Send a message (/? for help)  
\# 可以输入点内容测试下速度，例如：介绍下你自己  
\# 由于我没GPU，7b回答的时候有点慢，但勉强能推理  
\# 1.5b的速度很快了，但是问了几个问题  
\# 说实话很拉胯，不能用，只剩快，哈哈  
\>>> 介绍下你自己  
<think>  
您好！我是由中国的深度求索（DeepSeek）公司开发的智能助手DeepSeek-R1。如您有任何任何问题，我会尽我所能为您提供帮助。  
  
</think>  
  
您好！我是由中国的深度求索（DeepSeek）公司开发的智能助手DeepSeek-R1。如您有任何任何问题，我会尽我所能为您提供帮助。  
  
\# 输入 /bye，可以退出 对话  
\# 再输入 ollama list 查看本地下载的模型  
\>>> /bye  
C:\\Users\\sailen>ollama list  
NAME                ID              SIZE      MODIFIED  
deepseek-r1:7b      0a8c26691023    4.7 GB    4 days ago  
deepseek-r1:1.5b    a42b25d8c10a    1.1 GB    4 days ago  
  
\# 此时，浏览器里用你的内网IP访问下11434  
http://192.168.31.116:11434/  
\# 看看 显示 Ollama is running 即可

④ 下载、部署RagFlow

远程连接虚拟机，准备下载RagFlow

\# 先下下ragflow源码  
git clone https://github.com/infiniflow/ragflow.git  
  
\# 修改下环境变量文件  
\# 目的：下载RagFlow完整版，含Embedding模型  
\# 不然你本地还需要部署一个Embedding模型  
cd ragflow  
vi docker/.env  
\# 注释轻量版本  
\# RAGFLOW\_IMAGE=infiniflow/ragflow:v0.16.0-slim  
\# 打开完整版本  
RAGFLOW\_IMAGE\=infiniflow/ragflow:v0.16.0  
  
\# cd ragflow  
\# 准备跑吧，拉镜像需要点时间哈，完整版9多G  
docker compose \-f docker/docker-compose.yml up \-d  
\# 最好配置下Docker国内代理  
vi /etc/docker/daemon.json  
\# 配置内容：  
{  
  "registry-mirrors": \["https://docker.1ms.run"\]  
}  
  
\# 下载过程中可能提示连接失败，多重新尝试几次即可  
\# 另外，我遇到一个问题，跑完后，一个es容器没下载成功  
\# 一开始不清楚原因，用docker logs 看了下ragflow-server容器的日志  
\# 发现一直在连 es，无法连接  
\# 找了下解决方案：  
https://github.com/infiniflow/ragflow/issues/4038  
\# 还是一个open状态的问题，看最后那个大佬的内容  
I was able to solve it by moving in the folder /docker and doing docker compose down then docker compose up and elastic search installed itself  
\# 于是，执行下  
docker compose down  
docker compose up  
\# 嘿嘿，就检测到es的容器没下载成功，然后一顿下载  
\# 完事后，再重启下ragflow-server容器  
\# 观察下日志，好了  
\# 浏览器访问下试试  
http://192.168.31.101/

⑤ 注册账号、登录

没啥好说的，输入邮箱，名称，密码就可以了

⑥ 配置模型提供商

我英文水平一般，先切换到中文，哈哈

点击头像，找到左侧模型提供商

找到ollama，点击添加模型

参考我这图上面配置就行，一看就懂哈。

点击确认，可能要转一下下，然后就看到列表上有Ollama了

⑦ 系统模型设置

再点击系统模型设置，参考我这样配置就行

⑧ 创建知识库

输入名称，选择语言，选择嵌入模型

解析方法没啥特殊的，就选General就行

其它的不懂就默认，先别管

然后新增一个你本地的文档

传上来后，点击下执行下解析，可能需要几分钟

解析状态显示成功就好了

由于没有GPU加持，向量化过程全靠CPU算

我这个文档 28M，12核CPU全部接近跑满状态，大概跑了5分钟

⑨ 新建助理，创建聊天

在助理设置里，就填写个名字，愿意的话就改下开场白，最重要吧下面的知识库选为你自己刚刚刚刚创建的

切换到提示引擎们可以按你的需求改下提示词其它也不用动

切换到模型设置，选择 ollama 图标里的 DeepSeek 7b就好了

然后就愉快地聊天吧！

看完后是不是觉得简单吧？RagFlow 与 Docker 把很多技术细节给你屏蔽了，不用关心需要部署数据库、Redis、ES、minio啥啥的，模型相关的一些参数配置也都是给你默认配置了，上手很容易，缩一缩，这都2025年了，搭建一个完全私有化的RAG系统也没那么难。

实际上RAGFlow有很多细节支持你配置和自定义，需要你花点时间去测试和研究。

还提供了丰富的API，供你业务系统调用，多爽~~~

这些内容后面有空，我会继续写几篇文章逐一介绍，敬请关注！

实际运行情况

现实很残酷，你知道我得到上面那个推理结果代价有多大吧？

内存99%，磁盘100%，CPU从持续一段时间100%，到后面稳在35%左右

然后，大概每隔1分钟，响应2句话，等啊等

我开的其它应用有的就报错了，然后闪退，然后就是鼠标键盘都不好使了

大概半小时，结果出来了，但系统已经瘫痪了

本来想截屏的，卡住没反应了

最终，想按各种快捷键杀进程都没反应，强制按主机电源键关机重启……

反正是玩一下嘛，还是挺好玩的哈哈，感兴趣可以看下我的视频号里的内容

我重启后不敢用 7b 模型了，改用了1.5b 进行推理，不会还会死掉

速度快了不少，但结果也不是太准确了……

好了，大家玩的时候，还是先玩下1.5b吧，玩 7b+ 的有 GPU 可以放心玩哈！！！

都看到这里了，点个关注吧，我后面还会细讲 RagFlow 产品相关的深入使用哦！

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

在这里插入图片描述

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
在这里插入图片描述

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓