RagFlow + Docker Desktop + Ollama + DeepSeek-R1本地部署自己的本地AI大模型工具

已于 2025-02-11 17:30:18 修改
阅读量3.1k 收藏 13
点赞数 18
文章标签： docker 容器 运维
于 2025-02-11 17:27:47 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/m0_51702278/article/details/145572258
版权

前期准备

首先，我们需要下载 Ollama 以及配置相关环境。

Ollama 的 GitHub仓库 （https://github.com/ollama/ollama）中提供了详细的说明，简单总结如下:

Step1：下载 Ollama

下载（https://ollama.com/download）并双击运行 Ollama 应用程序。

Step2：验证安装

在命令行输入 ollama，如果出现以下信息，说明 Ollama 已经成功安装。

Step3：拉取模型
从命令行，参考 Ollama 模型列表 （https://ollama.com/library）和 文本嵌入模型列表 （https://python.langchain.com/v0.2/docs/integrations/text_

最低0.47元/天 解锁文章
前端老曹
关注
本地WSL/Docker Desktop部署：RAGFlow
02-14 849
docker compose up命令（-d：表示以守护进程（后台）模式运行）会根据 docker-compose.yml 文件中定义的服务配置，创建并启动相关的容器，自动下载 RAGFlow 的“开发版本 ”docker 镜像。模型提供商添加 LLM页面，基础 Url处输入：192.168.1.16:11434/api(or 192.168.1.16:11434 or 192.168.1.16:11434/v1 or 192.168.1.16:11434/v1/api/ 都行！
Windows 下本地 Docker RAGFlow 部署指南
分享一些感兴趣的技术方面
01-23 8547
Windows 下本地 Docker RAGFlow 部署指南
多图超详细：Docker安装知识库AI客服RAGFlow的详细步骤、使用教程及注意事项：
jijinduoduo的博客
04-09 1558
RAGFlow 是一款基于深度文档理解的开源检索增强生成（RAG）引擎，通过结合信息检索与生成式 AI 技术，解决复杂场景下的数据处理和可信问答问题。其核心设计目标是提供透明化、可控化的文档处理流程，并通过多维度优化降低生成结果的“幻觉”风险，适用于等对准确性要求极高的领域。
DeepSeek本地部署 （Windows+Ollama+Docker Desktop+ RAGFlow）
weixin_43075093的博客
03-15 2996
1、商城的小机器人自动根据实际情况回复 2、需要7*24小时运行在线回复，如：在线购物、在线咨询、在线招生等 3、无人值守环境
使用 Docker 构建本地 RAGFlow 知识库全流程记录
最新发布
qq_62092653的博客
05-01 426
在ragflow文件下的docker文件夹下打开命令行，输入docker-compose -f docker-compose.yml up -d，启动服务。解决办法：在命令行（管理员身份）输入：wsl --unregister docker-desktop，重新打开docker即可（用管理员身份打开）命令行用docker logs -f ragflow-server，确定服务器状态，此时出现错误，
在windows环境中利用docker-desk运行RAGFlow
abments的博客
05-11 4437
在windows环境中利用docker-desk运行RAGFlow
Docker安装本地RAGflow踩坑记录，终于解决dependency failed to start: container ragflow-mysql is unhealthy问题
热门推荐
qq_63490595的博客
02-23 1万+
需要注意的是，不能直接放在安装Docker的目录里，因为上一个命令修改了文件权限，往Docker安装路径里放会失败。用记事本打开.env文件，找到第13行，修改前者80为81，然后保存即可。前者是主机端口，后者是容器端口。因此需要更改端口，我测试了81端口没有占用，因此来到下载RAGflow的文件夹下的docker文件中。然后是镜像位置，默认也是C盘，在Docker中可以更改。，然后安装官网提示一步步走，然而就当都安装完后出现了这个bug。至此，本地RAGflow总算是搭建完成。
ollama+deepseek+ragflow本地化部署知识库大模型配置
Dark_Fairy的博客
02-11 2770
(默认c盘安装，安装路径：C:\Users\admin\AppData\Local\Programs\Ollama)1.1配置环境变量：ragflow能访问到：OLLAMA_HOST=0.0.0.0:11434ollama型下载路径：OLLAMA_MODELS=C:\xmx\dseek\OllamaModels 【模型存放路径，可自定义，ollam会根据配置将模型下载到该路径】1.2重启机器。
使用Docker本地内网部署ollama和DeepSeek-R1大模型
呱牛 Just do IT
02-21 755
关于基于DeepSeek-R1蒸馏的六款子模型是否适合个人部署，我特别关注了其中一些模型文件非常庞大的版本，比如DeepSeek-R1-Distill-Qwen-32B和DeepSeek-R1-Distill-Llama-70B。
【DeepSeek】DeepSeek R1 本地部署（Ollama+Docker+OpenWebUI）
通往成功之路的一个过客
02-11 1904
如果您遇到连接问题，通常是由于 WebUI docker 容器无法访问容器内 127.0.0.1:11434 (host.docker.internal:11434) 处的 Ollama 服务器。我的电脑是21款 MacBookPro M1 Pro，运行内存16G，显卡是集成显卡，与内存共用同一内存，下载的模型是DeepSeek-R1 8B，后面内存开销很多，导致电脑变卡，可能需要重启,后面下载1.5b 版本，会好很多。根据自己的显存选择对应的模型，2G显卡推荐选1.5b的。打开终端，输入刚复制的命令。
手把手教你利用Ollama本地部署Deepseek-r1教程
weixin_69597809的博客
02-18 2065
上一篇介绍了什么是Ollama，这期我来实战了！！
私有AI对话系统实战：基于Ollama+OpenWebUI的DeepSeek-R1本地化部署手把手教学（可共享访问）
qq_32358423的博客
02-16 1994
零代码实战：基于Ollama+OpenWebUI的DeepSeek-R1本地化部署指南！ 5步搭建私有AI对话系统，安全、高效、可定制！
国内环境搭建私有知识问答库踩坑浅谈：ollama+deepseek+ragflow
gr1785的博客
02-10 1万+
最近B站上看到不少关于利用deepseek模型搭建私有知识问答库的视频，讲的都很好，不过在我实际去操作时，还是遇到很多问题，花了两天时间才一一搞定，在此分享一下，方便大家避坑，如果有其他问题也欢迎发在文章评论区中一起讨论。
利用ollama + RAGFlow部署deepseek
men_nang的专栏
03-03 596
可以使用ollama pull 命令下载deepseek模块，也可以使用ollama run 运行模型（未下载会首先下载）。使用命令下载：git clone https://github.com/infiniflow/ragflow.git。执行命令：curl -fsSL https://ollama.com/install.sh | sh。使用 RAGFLOW_IMAGE=infiniflow/ragflow:v0.16.0。3、配置ollama环境变量。7、安装ragflow。1 安装ollama。
【RAGFlow】全由国内镜像源搭建docker版
kewaqi618的博客
03-21 5208
RAGFlow 可以为各种规模的企业及个人提供一套精简的 RAG 工作流程，结合大语言模型（LLM）针对用户各类不同的复杂格式数据提供可靠的问答以及有理有据的引用。：这里使用的是4核i5 6500的CPU，32G内存，500G硬盘,Docker version 26.1.3, build 26.1.3-0ubuntu1~24.04.1。平台搭建好之后，会默认提供Tongyi-Qianwen的模型，但此时的模型是不可用的，你需要输入可用的API-Key，才能正常使用。– ragflow：主服务，前后端；
ragflow和ollama联动
m0_75277376的博客
10-22 1694
1.打开对话框（快捷键是Win + R2.输入并按回车键。3.在服务列表中找到服务。4.右键点击 Docker 服务并选择。
大模型（deepseek）之LLM+RAG构建本地化知识库应用（Ollama+Deepseek+RAGFlow）
qq_31400983的博客
10-07 9781
应用RAG（Retrieval Augmented Generation，检索增强生成）构建本地知识库，并与LLM（大模型）相结合，可有效解决LLM知识更新难问题，已成为专业领域智能问答的首选，下面就以Ollama+Deepseek+RAGFlow为例构建本地知识库应用。
ollama + deepseek + RAGflow实战 -- 避坑全攻略
fengguang_mail的博客
03-19 1992
新手安装ollama + deepseek + RAGflow全过程，其中不少操作看上去简单，实际是经过不少折腾才完成，按照本流程可以轻松完成deepseek + RAGflow的部署。
DeepSeek + Ollama + RAGFagflow：云端部署个人/团队知识库！
holdcloud的博客
03-06 1630
慧星云作为领先的 AI 算力租赁云平台，现支持云端使用 DeepSeek，并结合 Ollama 和 RAGFlow 两个软件，为个人和团队提供高效、便捷的知识库部署方案。
docker ragflow
02-10
### Docker与RAGFlow集成指南 #### 配置Docker环境以支持RAGFlow 为了使Docker容器能顺利运行RAGFlow应用，需指定正确的socket地址用于通信。例如，在某些环境中，`containerd`守护进程的Unix域套接字路径可能被设定为`/data/labs/runtimes/docker-24/containerd-debug.sock`[^1]。 对于依赖于Embedding服务的应用场景而言，确保位于`127.0.0.1:11434`的服务已经启动至关重要。这通常意味着要验证对应端口上的API接口是否可访问以及响应状态良好。当此服务由Docker管理时，则应进一步检查相关联的容器实例是否处于活动状态；可通过执行`docker ps`命令来获取当前活跃容器列表，从而判断目标服务是否正常运作[^2]。 #### 构建基于RAGFlow的知识库 一旦基础架构搭建完成，下一步就是利用RAGFlow平台构建专门针对特定业务需求的知识库。具体操作包括但不限于上传文档资料、解析文本内容等前置工作。之后还需调整对话逻辑配置，使得最终处理过的数据集能够适配至即时通讯工具如微信机器人中使用。有兴趣者可以通过官方提供的在线演示站点（[https://demo.ragflow.io](https://demo.ragflow.io)）先行探索各项功能特性，并按照指引录入必要的第三方服务商凭证信息(API Key)，以便测试整个流程的有效性。而对于倾向于自行部署的企业级用户来说，《快速入门》手册([链接](https://ragflow.io/docs/dev/))将是不可或缺的重要参考资料之一。在此过程中，选择合适的预训练模型（比如Qwen所提供的"text-embedding-v2"版本），配合适用范围广泛的默认模板一起应用于项目实践中显得尤为关键[^3]。 ```bash # 查看所有正在运行中的Docker容器 docker ps ```
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值