0基础玩deepseek+RAGFlow本地部署+搭建知识库

最新推荐文章于 2025-05-23 10:40:50 发布
原创 最新推荐文章于 2025-05-23 10:40:50 发布
· 1.8w 阅读 · 166 ·
版权
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。
文章标签：

#ai #经验分享 #笔记

宝子们😎，还在为找资料东奔西走，被付费知识 “割韭菜” 而烦恼吗🧐？今天就给大家分享超实用的技术干货 ——DeepSeek 和 RAGFlow 本地部署，再手把手教你搭建专属知识库📚，让知识管理和获取变得轻松又高效，而且 0 基础也能轻松上手！

1、安装ollama

ollama堪称开源 AI 界的宝藏工具🎁，有了它，像 GPT-4、DeepSeek 这些超厉害的模型都能在咱自己电脑上跑起来🚀。安装超简单：

图片

第一步：直奔 ollama 官网（https://ollama.com/download/windows ），根据电脑系统下载对应版本。要是下载慢得像蜗牛🐌，别担心！用 github 代理加速（https://ghfast.top/ ），把 ollama 在 github 的下载链接（https://github.com/ollama/ollama/releases/download/v0.5.7/OllamaSetup.exe）输进去，瞬间提速💨。

图片

第二步：安装 ollama,下载完后，一路 “下一步” 就搞定安装，轻松加愉快😜。

第三步：配置环境变量，打开电脑设置-系统-关于，点击【高级系统设置】，

图片

然后点击【环境变量】按钮

图片

点击【新建】按钮

图片

# 穿透

OLLAMA_HOST

0.0.0.0:11434

#默认模型下载地址

OLLAMA_MODELS

E:\study\ollama

完成之后点击【确认】按钮。

安装大模型并运行

快捷键：win+r，打开命令窗口，安装deepseek r1模型，输入命令：

    ollama run deepseek-r1:7b

    需要下载很久，耐心等待即可。

    安装完成之后，要查看是否安装成功，执行命令：

      ollama listollama run deepseek-r1:7b  # 运行7b模型：# 输入你想问的东西。

      图片

      2、下载ragflow：建议选择方法二

      方法一：安装git，就一直点击下一步就行，安装完成之后，鼠标右键

      图片

      需要先配置用户名和邮箱，要真实的邮箱

      图片

      下载源码，在界面上输入：

        git clone https://github.com/infiniflow/ragflow.git

        如果在拉取源码的时候，遇到如下图问题，可以输入命令：

          git config --global --unset http.proxygit config --global --unset https.proxy

          然后再尝试拉取代码

          图片

          或者是如下图问题，直接输入命令：

            git config --global http.version HTTP/1.1

            图片

            方法二：访问地址：https://github.com/infiniflow/ragflow，点击下载即可

            图片

            进入 docker 文件夹，利用提前编译好的 Docker 镜像启动服务器：

            图片

            启动服务之前先修改 docker/.env 文件内的 RAGFLOW_IMAGE 变量。

            图片

            通过设置

              RAGFLOW_IMAGE=infiniflow/ragflow:v0.15.1

              来下载 RAGFlow 镜像的 v0.15.1 完整发行版。

              图片

              3、安装Docker

              第一步：

              1)操作系统：Windows 10 64-bit: Pro, Enterprise, or Education (Build 15063 or later) 或Windows 11。

              2)硬件：支持虚拟化技术的处理器和至少 4 GB 的内存。

              3)虚拟化：确保 BIOS 中已启用虚拟化技术（如 Intel VT-x 或 AMD-V）。

              如何查看是否开启了虚拟化技术：Ctrl+Alt+Delete，打开任务管理器，点击性能

              图片

              如果没有开启虚拟化技术，在BIOS中开启虚拟化技术：

              首先开机进入BIOS，一般机器是按F2，自己可以上网查看自己电脑到底是按哪个键，选择configuration按回车键进入。进行后选择蓝色的第三个Secure Virtual Machine Mode。按回车键进入后选择Enabled开启，然后再按回车键确认。选定后，在键盘上按F10保存，弹出一个对话框，选择OK，按回车键确认保存，然后电脑就会自动重启。虚拟化设置就打开了

              如果已经开启虚拟化技术，就按照如下步骤：

              1)在程序和功能的窗口的左上角选择启用或关闭windows功能勾选Hyper-V和适用于linux的windows子系统和虚拟机平台，点击确认，之后他会让你重启这样准备工作就完成了

              图片

              2)如果没有勾选Hyper-V的话，将下面命令复制到文本文档中，并将文档重命名Hyper.cmd

                pushd "%~dp0"dir /b %SystemRoot%\servicing\Packages\*Hyper-V*.mum  >hyper-v.txtfor /f %%i in ('findstr /i . hyper-v.txt 2^>nul') do dism  /online /norestart  /add-package:"%SystemRoot%\servicing\Packages\%%i"del hyper-v.txtDism /online /enable-feature /featurename:Microsoft-Hyper-V-All  /LimitAccess /ALL

                等待脚本执行，最后输入Y，进行电脑重启之后，查看控制面板-程序-启用或关闭Windows功能，可以看下Hyper-v节点已存在，然后勾选上。

                第二步：安装 WSL 2

                1)查看自己的电脑是否安装了wsl，快捷键win+r，输入cmd，按enter键，输入命令：

                  wsl -l

                  我的电脑上已经安装好了。

                  图片

                  2)如果没有安装好的话，就打开powershell并输入：

                    dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart

                    图片

                    检查WSL2的要求：win+R打开运行，然后输入winver检查windows版本

                    图片

                    查看Linux版本，此版本需要大于1903

                    图片

                    启用虚拟化:以管理员打开powershell输入下列命令：

                      dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart

                      图片

                      设置WSL默认版本：

                        wsl --set-default-version 2

                        第三步：访问 Docker 官网：打开浏览器，访问 Docker Desktop 下载页面。（https://www.docker.com/products/docker-desktop/）选择适用于 Windows 的版本进行下载。

                        图片

                        打开软件，使用命令提示符（cmd），输入以下命令，检查 Docker 的版本信息：

                          docker version

                          第四步：打开docker软件，点击设置，点击docker引擎，配置下载镜像：

                          图片

                            "features":{
  
     "buildkit": true },"registry-mirrors":[   "https://docker.m.daocloud.io",   "https://docker.1panel.live",   "https://registry.docker-cn.com",   "https://cr.console.aliyun.com",   "https://mirror.ccs.tencentyun.com"]

                            最后点击【apply】按钮

                            图片

                            运行一个简单的 Docker 容器，以验证安装是否成功：

                              docker run hello-world

                              进入到刚才下载完成的ragflow-main文件夹下，在上面这个路径输入cmd

                              图片

                              运运行命令：

                                docker compose -f docker/docker-compose.yml up -d

                                等待镜像包下载完成

                                图片

                                下载完成之后，再输入命令

                                  docker logs -f ragflow-server

                                  出现以下界面提示说明服务器启动成功：

                                  图片

                                  启docker里面的服务，我发现自己电脑的9001端口被占用，minio无法启动

                                  方法如下：

                                  1、打开cmd

                                  2、输入代码：

                                    netstat -aon | findstr :9001

                                    3、根据进程号杀死相应进程：

                                      taskkill /f /pid [进程号]

                                      4、如果杀不了进程，可以通过修改ragflow/docker/env配置中，修改minio端口为9002

                                      5、在ragflow-main/docker文件夹下，输入cmd，输入关闭命令

                                        docker-compose -f docker-compose.yml stop

                                        6、ragflow-main文件夹下，输入cmd，输入运行命令： 

                                          docker compose -f docker/docker-compose.yml up -d，

                                          4、使用ragflow创建知识库

                                          打开电脑自带的浏览器，访问http://localhost:80/，进行注册

                                          图片

                                          完成之后就登录即可

                                          图片

                                          这里可以设置成中文。

                                          图片

                                          点击右上角的头像，点击【模型提供商】

                                          图片

                                          找到ollama，点击【添加模型】

                                          图片

                                          模型类型选择chat，win+r，输入cmd，输入命令ollama list，查看自己安装模型名称，复制然后输入到模型名称，基础url，输入http://自己的ip地址:11434。最后点击【确定】按钮。

                                          图片

                                          如何查看自己的ip地址？win+r，输入cmd，输入命令ipconfig，根据下图标红的进行查看

                                          图片

                                          再点击【系统模型设置】

                                          图片

                                          选择刚才添加的模型，然后点击确定

                                          图片

                                          回到知识库界面，点击【创建知识库】，

                                          图片

                                          输入知识库名称，例如：java面经

                                          图片

                                          然后配置知识库，把语言改成中文

                                          图片

                                          选择好相应的嵌入模型和解析方法。

                                          图片

                                          点击【数据集】，再点击【新增文件】，上传文件，有点慢，哈哈哈

                                          图片

                                          图片

                                          上传完成之后，对文件进行解析，解析速度与文件大小和电脑的内存大小有关。

                                          图片

                                          图片

                                          解析完成之后，点击上面的【聊天】按钮，新建助理

                                          图片

                                          填入相关信息、选择好相应的知识库，点击确定。

                                          图片

                                          输入你想问的问题，这样一个知识库就完成了

                                          图片

                                          宝子们，按照这些步骤，0 基础也能轻松搞定 deepseek + RAGFlow 本地部署，还能搭建超实用的知识库。赶紧动手试试，感受技术带来的乐趣和便利吧！要是在过程中遇到问题，欢迎在评论区留言，大家一起讨论解决～

                                          大家需要安装包的，可以关注我的公众号：不羁风，回复【01】即可

                                          Win10系统Docker+DeepSeek+ragflow搭建本地知识库
                                          yilvyangguang520的博客
                                          02-18 2004
                                          Win10系统Docker+DeepSeek+ragflow搭建本地知识库
                                          使用deepseek+ragflow搭建垂直领域大模型
                                          qq_40358970的博客
                                          02-10 5188
                                          使用 DeepSeek 和 RAGFlow 搭建垂直领域大模型是一个复杂但非常有潜力的任务。垂直领域大模型是针对特定行业或领域进行优化和定制的大型语言模型。与通用大模型（如GPT-4）不同，垂直领域大模型专注于某一领域的专业知识、术语和任务，能够提供更精准、专业的输出。
                                          DeepSeek+Ragflow搭建个人知识库
                                          m0_63171455的博客
                                          02-14 6226
                                          利用Deepseek+Ragflow搭建的知识库过程还是比较简单，正常跟着流程走不容易出错。如果投喂的数据经过整合处理，那么反馈的结果还是有一定的实际意义。当前个人能部署的模型参数太少，尚处于体验阶段。相信不久的将来，大模型不断发展，个人能部署性能更强大的模型。
                                          企业级私有知识库搭建全攻略：RAGFlow+DeepSeek本地部署实战（附实测数据+高清截图）
                                          最新发布
                                          真心喜欢你吖研发工程师，记录学习笔记、问题解决方案、知识总结、知识分享；冲鸭！
                                          05-23 1120
                                          本文详细介绍了如何通过RAGFlow和DeepSeek搭建企业级私有知识库，涵盖从环境搭建到智能问答的全流程。文章首先对比了RAGFlow和DeepSeek的核心能力，并列举了典型应用场景。接着，提供了服务器初始化、Ollama部署、DeepSeek-R1 8B模型拉取、RAGFlow引擎部署的详细步骤。最后，展示了如何快速创建知识库、配置模型、解析文档，并创建智能助理。文章还提供了8B模型的性能实测数据，并总结了新手常见问题的解决方案。通过本文，企业可以在3小时内低成本、高安全地构建智能知识库。
                                          RAGFlow 本地部署的步骤
                                          m0_59235699的博客
                                          04-17 1451
                                          RAGFlow 是一款基于深度文档理解的开源 RAG 引擎，所谓 RAG 就是检索增强生成的简称。这款工具为企业和个人提供了精简的 RAG 工作流程。作为一个开源项目，RAGFlow 有 4.8 万颗星，关注人数还在持续增长，这也表明了 RAGFlow 在构建生成式 AI 的应用中的重要性和活跃性。这个项目的源 Github 地址为：今天的分享，是怎么将这款工具进行本地部署。
                                          DeepSeek+ragflow构建企业知识库之工作流，突然觉的dify又香了
                                          jennycisp的博客
                                          05-02 1030
                                          我们按照下图的数据介绍组件。• ragflow的的官方文档相对来说还是比较欠缺的，特别是用户交互这块。• ragflow的ui使用成本相对比较高，组件不知道返回什么，只能根据示例或意图推断• 使用ragflow建议是有技术底子的链图片转存中…(img-0iuaLPfA-1746154024394)]点击右上角的嵌入网站，我们可以看到一串html代码，我们把http连接拿到，直接在浏览器里可以访问。[外链图片转存中…(img-LXkNsshY-1746154024394)]
                                          隐私优先：DeepSeek+RAGFlow本地化部署，手把手构建个人知识库
                                          Allenzyg的博客
                                          03-07 3688
                                          检索（Retrieval）：当用户提出问题时，系统会从外部的知识库中检索出与用户输入相关的内容。准备外部知识库：外部知识库可能来自本地的文件、搜索引擎结果、API 等等。这样，RAG 不仅依赖于模型本身的内在的、通过训练得到的知识，还能实时调用外部的信息进行补充。我们要构建的就是一个基于本地文件的外部知识库；通过 embedding 模型，对知识库文件进行解析：文本是由自然语言组成的，这种格式不利于机器直接计算相似度。
                                          本地部署 DeepSeek 和 RAGFlow，结合 Embedding 模型，构建个人知识库
                                          学子的博客
                                          02-19 1446
                                          通过本地部署 DeepSeek 和 RAGFlow，结合 Embedding 模型构建个人知识库。
                                          本地化搭建DeepSeek+RAGFlow，构建个人知识库
                                          gogospecter的专栏
                                          02-16 6202
                                          本地化搭建DeepSeek+RAGFlow，构建个人知识库。至少32G以上内存、500G以上空余磁盘空间。
                                          deepseek+RAGFLOW本地部署
                                          Mike的博客
                                          03-06 1269
                                          Ollama官网：https://ollama.com/打开官网，然后点击下载，之后安装到本地。
                                          RAG 实践- Ollama+RagFlow 部署本地知识库
                                          python123456_的博客
                                          09-04 5635
                                          本文我们介绍另一种实现方式：利用 Ollama+RagFlow 来实现，其中 Ollama 中使用的模型仍然是Qwen2我们再来回顾一下 RAG 常见的应用架构。
                                          deepseek+ragfllow本地部署私有智能问答系统
                                          m0_59164520的博客
                                          02-07 2126
                                          在安装docker和ragfllow的过程中遇到了2个问题，主要有：①wsl没有更新，需要根据提示更新wsl后才能完成docker desktop的安装；ragfflow运行起来后，占用的资源如下图：下文是关于如何在ragfflow中结合deepseek的具体使用实践：一、修改docker的配置1、docker运行起来后，需要修改国内可以下载的镜像源修改后点击右下角的apply & restart二、执行命令启动ragfflow启动成功如下图：三、登录ragfflow创建知识库。
                                          Deepseek+RAGFlow本地部署，搭建自己的知识库
                                          weixin_49314853的博客
                                          05-04 362
                                          在模型提供商-待添加模型中，添加我们本地部署的deepseek-r1:1.5b（让RAMFlow能够访问到本机的Ollama里的deepseek-r1:1.5b）4，修改RAGFlow源代码里的环境配置（注释掉轻量版的模型，下载完整版的RAGFlow，包含embedding模型)10，聊天-新建助理，在提示引擎中可以让模型检索不到内容时根据自己的能力进行回答，token数。9，新增文件里上传材料，解析（将文件里的段落提取出来，进行embedding映射到高维向量）3，最终mysql镜像部分的配置如下。
                                          windows DeepSeek RAGFlow构建本地知识库系统
                                          m0_71071763的博客
                                          03-03 1738
                                          windows DeepSeek RAGFlow构建本地知识库系统
                                          Docker+Ollama+RAGFlow本地部署DeepSeek R1并构建本地知识库
                                          F8_11的博客
                                          03-04 1814
                                          本文详细记录了通过Ollama安装DeepSeek R1:7B模型，通过Docker加载Open-WebUI，RAGFlow框架，并以RAGFlow为基础搭建本地知识库，其中embedding模型选择了比较受欢迎的nomic-embed-text。通过对通用大模型融合本地知识库进行推理的亲自体验，形成对于DeepSeek等AI大模型利用方式的新认识。
                                          基于DeepSeek（本地部署）和RAGFlow构建个人知识库
                                          一千零一夜的博客
                                          03-05 2398
                                          纯本地部署大模型，并使用RAG微调模型。
                                          DeepSeek 本地部署 + RAG知识库搭建 简单应用
                                          qq_43008246的博客
                                          03-24 610
                                          Deepseek + RAGFlow +微调
                                          【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
                                          2401_85325397的博客
                                          03-03 1285
                                          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。
                                          deepseek+ragflow本地部署私有智能问答系统，全程干货，零基础小白也能轻松掌握！！
                                          2401_85325557的博客
                                          02-14 2348
                                          在安装docker和ragfllow的过程中遇到了2个问题，主要有： ①wsl没有更新，需要根据提示更新wsl后才能完成docker desktop的安装； ②docker Engine镜像仓库拉取到一半无法拉取的问题，由于ragfflow比较大，需要较好的网络，如无法拉取，多执行几次命令：
                                          ragflow本地化部署
                                          01-20
                                          ### ragflow 本地化部署教程 #### 准备工作 为了成功完成 RagFlow 的本地化部署，需确保环境满足以下条件： - Linux 操作系统已安装并正常运行。 - Docker 及 Docker Compose 已正确安装于操作系统之上。 #### 部署过程 ##### 下载项目源码 获取 RagFlow 项目的最新版本，可以通过 Git 命令克隆仓库到本地机器上[^1]: ```bash git clone https://github.com/your-repo/ragflow.git ``` ##### 修改配置文件 进入下载好的项目目录后，找到 `docker-compose.yml` 文件以及任何其他可能存在的配置文件。对于希望连接至本地 Ollama 实例的情况，在适当位置设置服务 URL 如下所示: ```yaml services: app: environment: - MODEL_URL=http://host.docker.internal:11434 ``` 此处使用的特殊主机名 `host.docker.internal` 能够让容器内的应用访问宿主机的服务端口。 ##### 启动Docker服务 一切准备就绪之后，可以在终端执行命令启动整个应用程序栈： ```bash cd ragflow docker-compose up -d ``` 上述指令会依据定义在 `docker-compose.yml` 中的内容拉取必要的镜像，并创建相应的容器来运行各个组件。
                                          评论 27
                                          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