RAGFlow+构建知识图谱+私有化部署实战：star高达55k+，大模型入门到精通，收藏这篇就足够了！

原创 于 2025-08-22 16:46:34 发布 · 1.2k 阅读 · 30 ·
CC 4.0 BY-SA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：

#知识图谱 #人工智能 #RAG #langchain #embedding #pytorch #LLM

下面开始介绍部署的流程：

官方GitHub：

https://github.com/infiniflow/ragflow

试用 Demo

访问demo体验：

https://demo.ragflow.io

私有化部署RAGFlow的 极简教程

一、获取项目代码与部署文件

推荐docker部署

  • CPU >= 4 核
  • 内存 >= 16 GB
  • 磁盘 >= 50 GB
  • Docker >= 24.0.0 & Docker Compose >= v2.26.1

1. 克隆 RAGFlow 仓库

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

2. 进入 Docker 部署目录

cd docker

二、选择部署版本（根据需求选其一）

1. 部署标准版cpu版本

 # 方法一，若命令不对则用方法二


sudo docker compose -f docker-compose.yml up -d
 
 # 方法二
 
sudo docker-compose -f docker-compose.yml up -d

需要注意一点，下面列出来的端口号，可能会存在冲突：

例如默认的80，我改为了8078；

默认的443，我改为了4433；

你们如果遇到端口冲突，可以像我这样修改即可；

主要修改的文件为：.env 和 docker-compose.yml 两个文件；

2. 查看服务启动日志

# 实时查看日志（等待服务初始化完成）
docker logs -f ragflow-server
# 当看到以下输出时，说明服务启动成功
____   ___    ______ ______ __
     / __ \ /   |  / ____// ____// /____  _      __
    / /_/ // /| | / / __ / /_   / // __ \| | /| / /
   / _, _// ___ |/ /_/ // __/  / // /_/ /| |/ |/ /
  /_/ |_|/_/  |_|\____//_/    /_/ \____/ |__/|__/

 * Running on all addresses (0.0.0.0)

3. 访问 Web 界面

在浏览器中输入服务器 IP 地址（默认端口 80，无需添加端口号）：http://你的服务器IP

本文由于80端口被占用了，我改为了8078；

所以我就访问

http://你的服务器IP:8078

首次使用，先注册一个账号；

4、配置默认模型

你可以选择ollama，或者 Xinference 来部署大模型和向量模型；

例如Xinference的配置

例如 ollama 的配置

设置默认的模型：

5、创建知识库+问答

上传一个倚天屠龙记小说，作为数据源；然后点击解析，等待解析完成！

点击搜索，选择刚才创建的知识库，即可进行问答：

最后-进阶使用，构建知识图谱：

知识库里进行配置，提取实体信息，

构建的效果：

最后来个演示效果视频：

技术文档与支持

如果你在使用 RAGFlow 的过程中遇到问题，或者想深入了解它的技术细节，可以参考以下技术文档：

  • [Quickstart] (https://ragflow.io/docs/dev/)
  • [Configuration] (https://ragflow.io/docs/dev/configurations)
  • [Release notes] (https://ragflow.io/docs/dev/release_notes)
  • [User guides] (https://ragflow.io/docs/dev/category/guides)
  • [Developer guides] (https://ragflow.io/docs/dev/category/developers)
  • [References] (https://ragflow.io/docs/dev/category/references)
  • [FAQs] (https://ragflow.io/docs/dev/faq)

总之，RAGFlow 作为一款开源的 RAG 引擎，为企业和个人提供了强大的信息处理和问答解决方案。它的出现，将有助于提升人们在信息获取和利用方面的效率和质量。如果你正在寻找一款优秀的 RAG 工具，不妨尝试一下 RAGFlow。

我们该怎样系统的去转行学习大模型 ？

很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是，基于此我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包分享出来, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全链接，放心点击）👈

​

​

一、大模型经典书籍（免费分享）

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套大模型报告（免费分享）

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、大模型系列视频教程（免费分享）

在这里插入图片描述

四、2025最新大模型学习路线（免费分享）

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

在这里插入图片描述

L1阶段:启航篇丨极速破界AI新时代
​​​​​​​L1阶段：我们会去了解大模型的基础知识，以及大模型在各个行业的应用和分析；学习理解大模型的
核心原理、关键技术以及大模型应用场景。

在这里插入图片描述

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段是我们的AI大模型RAG应用开发工程，我们会去学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

在这里插入图片描述

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，我们会去学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造我们自己的Agent智能体。

在这里插入图片描述

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，我们会更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调；并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

在这里插入图片描述

L5阶段：专题集丨特训篇 【录播课】

在这里插入图片描述
全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取

👉优快云大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全链接，放心点击）👈

​

Llama-Turbo
关注
RAGFlow智能体开发：构建知识图谱
王国平的博客
10-09 1218
为了增强多跳问答能力，RAGFlow 在数据提取和索引之间增加了一个知识图谱构建步骤，如下图所示。此步骤会从您指定的切块方法生成的现有块中创建额外的块。
【实战篇】【从0到1：手把手教你玩转DeepSeek私有化部署与知识库融合训练】
商务合作|问题讨论|交流学习 请联系作者微信，加微信请务必注明来意，博客主页有联系方式
02-20 2405
举个真实案例：某三甲医院想用AI辅助病历分析，但患者数据根本不可能上传公有云。他们最终选择在本地机房部署DeepSeek-7B基础模型，结合10年积累的电子病历库进行训练，不仅实现了诊断建议准确率提升37%，还完全符合《医疗数据安全管理条例》的要求。但真正的挑战在于——如何在保障安全可控的前提下，持续迭代出最适合自己业务场景的智能大脑。在ChatGPT掀起大模型热潮的今天，很多企业都在面临这样的困境：既想享受大模型的智能红利，又担心数据安全、合规审查、定制化需求得不到满足。
本地部署 RAGFlow
engchina的专栏
06-08 7759
本地部署 RAGFlow
大模型系列17-RAGFlow搭建本地知识库
字节跳动 内推找我
01-01 1830
这里我们做的机器学习论文库，因此可以将“解析方法”从“General”调整为“Paper”模式，对论文进行解析。列出所有的模型，有两个Embedding模型以及一个qwen2:7b的模型。文件中，可以修改 端口号、ragflow的镜像版本等。参考写的安装open-webui的文章。将刚才添加的模型设置到系统默认配置中。新建一个论文助理，用于后续的聊天对话。ragflow使用的各种环境变量在。论文上传完毕后，执行论文内容的解析。论文解析过程，花了10几分钟。参考写的ollama的文档。
RAG-Flow部署本地微调过的模型使用
kjzd123的博客
06-05 7788
在这篇博客中，我们将介绍如何在Ubuntu服务器上启动RAGFlow服务器。我们将确保系统配置满足RAGFlow的要求，然后通过Docker Compose来启动服务器。
RAG 实践- Ollama+RagFlow 部署本地知识库
python123456_的博客
09-04 6033
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。
RagFlow的本地部署
wjj_fire的博客
02-07 1万+
RAGFlow 是一款开源的 RAG（Retrieval-Augmented Generation）引擎，可以用于高效处理信息，为多种场景提供智能解决方案，如本地知识库的构建、问答系统的搭建，大量文本信息的处理等。另外，当在UI界面中选择以下其他模型时，会自动从HuggingFace下载，如果不能连接HuggingFace，可以设置以下环境变量，从镜像网点下载；模型名称填写ollama中模型的名称，可以用ollama list命令查看已安装的模型。在添加了的模型中，会显示有ollama。
RAGFlow + GraphRAG+ 知识图谱 + QwQ32B探索实践
热门推荐
技术引领业务创新
04-09 8万+
RagFlow 是一款开源的 RAG（Retrieval-Augmented Generation）引擎，专注于深度文档理解，能够助力企业及个人构建高效的 RAG 工作流程。借助大语言模型（LLM），它可以精准处理各种复杂格式的数据，为用户提供可靠的问答服务，并附上详实的引用依据。
GraphRAG：知识图谱+大模型案例实战（一）
春华秋实
08-02 2266
该图谱与社区摘要和图谱机器学习输出一起在查询时用于增强提示。GraphRAG在回答上述两类问题时显示出显著的改进，展示了比以前应用于私有数据集的方法更高的智能的掌握能力。上述案例代码展示了微软研究的新方法GraphRAG的实现，通过利用大语言模型（LLM）基于输入语料库创建知识图谱，并在查询时结合社区摘要和图谱机器学习输出来增强提示。本地搜索方法通过将 AI 提取的知识图谱中的相关数据与原始文档的文本块相结合来生成答案。这种方法适用于需要了解文档中提到的特定实体的问题（例如，洋甘菊的治疗特性是什么？
Neo4j+springboot+vue+d3.js知识图谱构建和可视化
01-17
在构建和可视化知识图谱的过程中，我们通常会利用一系列技术和工具来实现数据的高效管理和展现。本项目结合了Neo4j数据库、SpringBoot后端框架、Vue.js前端库以及d3.js可视化库，构建了一个完整的知识图谱系统。以下...
LLM+知识图谱新工具！ iText2KG：使用大型语言模型构建增量知识图谱
AIGC Studio：分享AIGC前沿知识和好玩应用，公众号同名。
10-06 1958
大多数可用数据都是非结构化的，因此很难获取有价值的信息。自动构建知识图谱 (KG) 对于结构化数据和使其可访问至关重要，可让用户有效地搜索信息。KG 还有助于洞察、推理和推理。传统的 NLP 方法（例如命名实体识别和关系提取）是信息检索的关键，但面临局限性，包括使用预定义的实体类型和需要监督学习。当前的研究利用大型语言模型的功能，例如零次或少量学习。然而，未解决和语义重复的实体和关系仍然带来挑战，导致图表不一致并需要大量的后处理。此外，大多数方法都依赖于主题。
RagFlow本地部署使用
qq_43548590的博客
10-29 3万+
开源RAGFlow引擎：打造无幻觉、高精度的文档理解与生成体验RAGflow，这个新兴的开源RAG（Retrieval-Augmented Generation）引擎，正以其独特的深度文档理解能力，为大型语言模型的应用带来了革命性的变革。在处理PDF文件时，我们经常面临提取干净数据的挑战，而RAGFlow的出现，恰恰解决了这一问题，它能够提供准确无误且无幻觉的生成结果。
RagFlow本地开发环境部署
weixin_45041127的博客
09-28 5910
RagFlow本文档为开发环境搭建,切勿用于生产。
从零部署Qwen大模型：vLLM实战指南，零基础小白收藏这一篇就够了！
最新发布
2401_82469710的博客
08-14 1052
本文将手把手教你使用高性能推理引擎vLLM部署Qwen大模型，并提供Python和Java两种语言的实现代码，帮助不同技术背景的开发者快速上手。
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 4444
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。
RAG实战：本地部署ragflow+ollama（linux）
ling913的专栏
01-03 1万+
Ollama+RAGFlow为例，应用RAG（Retrieval Augmented Generation，检索增强生成）构建本地知识库，其中 Ollama 中使用的模型是Qwen2
RAGFlow Windows环境下本地部署全攻略
以为在机器学习领域与人工智能领域深耕多年的老牛
05-13 1万+
本文讲述了如何从0构建RAGFlow，其中包括在windows系统下的docker、WSL以及ubuntu的详细安装步骤，保证初学者一看就会，其中也包括很多在安装中遇到的问题，可以让读者少走很多弯路
RAGFlow本地部署教程 ：多模态检索+动态生成，用AI重构企业知识生产力
SJJS_1的博客
04-15 2595
RagFlow是一款基于检索增强生成（RAG）技术的智能工作流平台，通过整合多源数据检索与生成式AI模型，优化企业知识管理、智能问答及自动化报告生成，核心功能包括：多源数据融合：支持数据库、文档库、API接口的实时检索，兼容文本、图像、音视频等多模态数据；动态知识增强：生成内容时自动关联最新业务数据，避免模型“幻觉”，支持自定义规则链（如财务报告合规校验）；低代码流程编排：可视化设计工作流（如“客户咨询→知识库检索→生成回复”），无缝集成钉钉、企业微信等平台。
RAGFlow 本地部署及 Dify 调用，让你的本地大模型更有深度（保证好使）
JovaZou的成长之路
03-29 3818
在人工智能飞速发展的今天，大模型的应用越来越广泛。然而，许多人在使用大模型时面临着各种限制，例如数据隐私问题、高昂的云服务费用等。本地部署大模型并结合有效的工具来提升其性能成为了一种极具吸引力的解决方案。本文将为大家详细介绍如何通过 RAGFlow 进行本地部署，并利用 Dify 进行调用，让你的本地大模型发挥出更强大的能力，为各种应用场景提供有力支持。
评论
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