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

在信息爆炸的时代，企业机构和个人用户都面临着海量非结构化数据的管理难题。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：

1. 私有化部署：数据全程在本地流转，杜绝敏感信息外泄
2. 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
3. 硬件加速：通过NVIDIA GPU加速推理

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 NVIDIA GPU 加速，通过容器化技术快速部署以下组件：

Docker：容器化运行环境
Ollama：本地大模型推理引擎（支持Meta Llama3、DeepSeek等开源模型）
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

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

其次输入指令sudo apt install docker.io 使用apt安装docker：

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。

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。

这里可以采用国内镜像网站加速的方案：https://github.com/dongyubin/DockerHub

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

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。

使用sudo docker compose -f docker-compose-base.yml up -d安装，一般会报错：

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

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：

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

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：

这样你就成功搭建了一个的本地私有知识库系统，如果想看RAGFlow的使用方法，以及基于RAGFlow的Agent方案，可以 支持我🎉：点赞👍+收藏⭐️+留言📝，后续文章会持续推出！

另外，我们已经建立了🏤采苓研学社群，如果你还有其他疑问，可以私信我加入社群。

📝 加入社群 抱团学习：中杯可乐多加冰-采苓AI研习社