【AI落地应用实战】DeepSeek + RagFlow + 本地私有知识库构建本地知识库系统实战指南

Python_金钱豹

墨衍会员 · AI 创作全网分发码龄5年

关注

原创最新推荐文章于 2026-08-16 11:18:24 发布 1.2k 阅读 AI 写同款· GEO 优化 ›

【Docker】Docker Registry(镜像仓库) docker镜像仓库的详细讲解阅读详情

大模型应用的关键，不只是构建好模型算法，更重要的是做好数据的处理、挖掘等问题。数据贯穿了大模型从预训练到产业落地的全过程。

一定程度上，智能时代，企业数据处理能力有多强，决定了业务发展的天花板有多高。

而能力再强大的 LLM 也只能取代人部分学习和推理能力，无法取代存储和访问数据的能力；参数再多的 LLM 也不能仅凭基于通用数据的训练就能精确表达企业内部海量且丰富的数据。而处理这类数据，才是私有化场景的主要需求。

一方面，企业很难把自己具有核心竞争力的数据放到大模型中去训练；
另一方面，企业的业务数据变化速度快，且实时性强，因此私有化部署后的大模型、在数据层上也很难做到秒、天级别的更新。

本文将带您构建一个集大模型推理、智能检索、知识加工于一体的本地知识库系统，深度融合DeepSeek认知大模型的语义理解能力、RagFlow的文档智能处理能力以及Ollama的本地化部署优势。该系统具备三大核心价值：

私有化部署：数据全程在本地流转，杜绝信息外泄；
强大的文档处理：自带OCR，能够通过深度文档理解模块智能提取和组织信息，支持多种异构数据源，包括Word、PPT、Excel、TXT、图片、扫描件、结构化数据、网页；
支持多种模型：在Ollama的加持下，支持本地部署市面上大部分权重开源模型（如qwen系列、deepseek、ollama、qwq、glm等），也支持在线Web API调用、支持硅基流动等平台；

本文将以DeepSeek、RagFlow、Ollama为核心，手把手带你搭建一套支持GPU加速的私有知识库系统，助你快速实现AI技术的本地化部署与私有知识管理。

一、环境准备

本文基于 Ubuntu 22.04 LTS 系统，使用了 NVIDIA A10显卡在ollama上部署了deepseek 32b模型，如果显卡性能不够的话，也可以部署14b或者7b的小模型，系统整体包括以下组件：

Docker：容器化运行环境

Ollama：本地大模型推理引擎

RagFlow：RAG（检索增强生成）框架

MinIO/MySQL/Redis：存储与缓存基础设施

二、DeepSeek + RagFlow + Ollama 实战指南

2.1、安装Docker

在这里插入图片描述

Docker是一个开源的容器化平台，能够帮助我们在隔离的环境中运行应用程序。在安装之前，首先更新索引：sudo apt update 在这里插入图片描述

其次输入指令sudo apt install docker.io 使用apt安装docker：在这里插入图片描述安装成功后可以使用docker -v查看docker版本，使用docker ps查看当前docker container情况：能够显示内容，则说明docker安装成功！

2.2、镜像安装Ollama

Ollama是一个轻量级的模型服务框架，支持多种深度学习模型的部署和管理。它提供了简单的API接口，方便用户快速部署和使用模型服务。

在这里插入图片描述 Ollama的安装非常简单，这里我们可以通过Docker来快速部署，在国内环境下，一般使用docker pull ollama/ollama会报 docker error response from daemon: get "https://registry-1.docker.io/v2/错误，这是因为服务器无法访问到对应网站。

在这里插入图片描述这里可以采用国内镜像网站加速的方案：https://github.com/dongyubin/DockerHub

在这里插入图片描述比如，这里使用docker.1ms.run镜像网站拉取ollama：sudo docker pull docker.1ms.run/ollama/ollama拉取后要记得使用docker tag 重命名为ollama/ollama，即：:docker tag docker.1ms.run/ollama/ollama ollama/ollama

在这里插入图片描述

2.3、以GPU模式启动Ollama

如果你的机器配备了NVIDIA GPU，可以通过NVIDIA Docker工具包来启用GPU加速。

首先输入以下指令配置添加NVIDIA Docker仓库并安装NVIDIA Docker 2.x：

# 安装NVIDIA Docker工具包
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
sudo apt-get update && sudo apt-get install -y nvidia-docker2
sudo systemctl restart docker

然后以GPU模式启动Ollama容器

sudo docker run -d --gpus all -p 8080:8080 --name ollama ollama/ollama

2.4 、安装RagFlow

RagFlow是一个基于RAG（Retrieval-Augmented Generation）框架的工具，能够结合检索和生成模型，提供更精准的问答服务。它通过从知识库中检索相关信息，再结合生成模型生成答案，显著提升了问答系统的准确性。

在这里插入图片描述

使用sudo docker compose -f docker-compose-base.yml up -d安装，一般会报错：在这里插入图片描述这里可以同样采用刚刚的方法，打开docker-compose-base.yml文件，找到报Error的镜像名称和版本号：

在这里插入图片描述使用同样的方法先下载，再用tag重命名：如此同样的方法下载infinity、mysql、minio、redis：分别安装完成后，再输入一遍sudo docker compose -f docker-compose-base.yml up -d，检查是否全部下载完成，如果显示如下则说明全部下载完成：在这里插入图片描述下载好基础镜像后，还需要根据需求安装对应版本的RagFlow，这里选择安装Linux GPU版本：输入 sudo docker compose -f docker-compose-gpu.yml up -d安装GPU版本的RAGFlow

在这里插入图片描述输入sudo docker ps -a可以看到目前运行的镜像状态，显示有ragflow-server、mysql、minio、redis、es、ollama这些镜像才算成功启动，如下：输入对应的ip或者域名即可访问：

在这里插入图片描述

这样你就成功搭建了一个的本地私有知识库系统。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述