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！

Llama-Turbo Llama-Turbo 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.4k累计阅读 1.4k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄4年
关注
原创 最新推荐文章于 2026-06-08 21:57:58 发布 1.4k 阅读 AI 写同款· GEO 优化 ›
本地化搭建DeepSeek+RAGFlow，构建个人知识库 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。 阅读详情

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）👈

​

标签
#知识图谱 #人工智能 #RAG #langchain #embedding
#pytorch #LLM
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。
保姆级教程：用RAGFlow从零搭建本地知识库，并实现精准检索（附Python代码） 本文提供了一份详细的RAGFlow实战指南，帮助用户从零搭建本地知识库并实现精准检索。通过Docker部署、PDF文档处理、高级配置技巧和检索API优化等步骤，结合Python代码示例，全面提升知识库的构建效率和检索精度。特别适合需要处理技术文档的开发者和团队。 阅读详情

相关推荐

本地部署 RAGFlow

本地部署 RAGFlow

engchina的专栏 8166

一文读懂RAGFlow：从 0 到 1教你搭建RAG知识库

RAGFlow是一种融合了数据检索与生成式模型的新型系统架构，其核心思想在于将大规模检索系统与先进的生成式模型（如Transformer、GPT系列）相结合，从而在回答查询时既能利用海量数据的知识库，又能生成符合上下文语义的自然语言回复。该系统主要包含两个关键模块：数据检索模块和生成模块。数据检索模块负责在海量数据中快速定位相关信息，而生成模块则基于检索结果生成高质量的回答或文本内容。

python12345_的博客 8024

论文理解【LLM-Agent】——【SkillOpt】Executive Strategy for Self-Evolving Agent Skills

SkillOpt 将 agent skill 从人工或一次性 prompt artifact 转化为可验证、可控、可迁移的文本空间“可训练状态”，通过有界编辑、验证门控、拒绝编辑反馈和 slow/meta update，在不更新模型权重的情况下显著提升多类 agent 任务表现

佚失的诗篇 589

RAGFlow：基于OCR和文档解析的下一代 RAG 引擎

在对 RAGFlow 的探索中，我们可以清晰地看到其在RAG（Retrieval-Augmented Generation）领域中的重要地位和显著优势。RAGFlow作为一款下一代开源RAG引擎，不仅在问答对话方面表现出色，还具备高级内容生成的能力，例如长文生成等。这使得RAGFlow能够为用户提供更为全面和深入的服务，满足不同场景下的需求，尤其在企业级应用中发挥着重要作用。

FrenzyTechAI的博客 4万+

Polyworks宏脚本开发入门：5分钟搞定环境搭建与基础命令录制

本文详细介绍了Polyworks宏脚本开发的入门指南，包括环境搭建、基础命令录制和核心对象操作。通过5分钟快速启动开发模式，掌握自动化操作流程和脚本调试技巧，帮助工程师高效完成工业测量与三维检测任务。

weixin_29306875的博客 535

07. 基础实战篇 - STP的基本配置

STP（生成数协议）是一个用于在局域网中消除环路的协议，他的标准是IEEE802.1d。STP通过强制使部分冗余链路处于阻塞状态，其它链路处于转发状态，将环形网络结构修剪成无环路的树形网络结构。可实现消除环路，当处于转发状态的链路不可用时，STP重新配置网络，并激活合适的备用链路状态，恢复网络连通性。

weixin_39868387的博客 7225

RAGFlow+构建知识图谱+私有化部署实战：star高达55k+

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。

2301_81888214的博客 1004

Python实战：用MNE-Python从脑电数据中提取P300成分（附完整代码）

本文提供了一份使用MNE-Python从脑电数据中提取P300成分的完整实战指南。通过详细的代码示例，系统讲解了从环境搭建、数据加载、预处理（滤波、分段、伪迹剔除）到P300波形提取、可视化与参数量化的全流程。重点介绍了如何利用零相位滤波和叠加平均技术，从EEG信号中精准分离出反映认知加工的P300事件相关电位，适用于脑机接口与认知神经科学研究。

weixin_29240343的博客 338

手把手教你微调大模型，零基础也能学会的AI实战教程，收藏这篇就够了

同时课程详细介绍了。

jennycisp的博客 1502

【Rcode】生存分析： KM & COX回归& 随机森林& nomogram

本文使用了R——survival包下的lung数据进行方法测试： 1）KM 2) Cox回归：多因素 3）随机森林因子（根据cox回归结果） 4）nomogram （ 根据cox回归结果，建立了中位生存时间，1年5年生存率的概率计算） -------------------????????‍♀️本文只有干货，非常干！????----------------------------- 一、数据加载 #生存分析 library("survival") library("survminer") data("

weixin_43172152的博客 9273

37、OpenMP：并行编程的强大工具

本文详细介绍了 OpenMP 的核心功能和使用方法，包括执行环境例程、线程同步与协调机制，如关键区域、屏障、原子操作、归约子句、刷新构造和锁机制。此外，还提供了多个实践练习，涵盖矩阵乘法的并行实现、任务池与流水线模式的应用、读写锁的扩展与移植，以及客户端-服务器模式的实现与优化。通过这些内容，读者可以全面掌握 OpenMP 在并行编程中的实际应用与性能优化技巧。

www00的博客 105

手把手带你搭建RAGflow，专业AI知识库的开源工具，RAGflow零基础入门到精通，看这一篇就够了！

在大模型应用的蓬勃发展中，检索增强生成（Retrieval-Augmented Generation，RAG）技术占据了举足轻重的地位。它就像是大模型的智慧助手，通过从外部知识库中检索相关信息，并将其融入到大模型的回答生成过程中，有效提升了大模型回答的准确性、可靠性和时效性，在问答系统、智能客服、文档摘要等多个领域都发挥着关键作用。上图是一个常见的AI应用的数据流向图，文档分块之后向量化存储到向量数据库，然后输入文本内容，形成prompt，从向量数据库检索相关的知识背景，发送给LLM之后，返回结果。

2401_85375298的博客 9289

8，9，10，11，12，13代CPU特制win7 64位系统

对于7代以上的CPU装win7,在UEFI的模式下，如果不提前注入显卡驱动，就会一直卡在LOGO界面。对于此情况,我们推出一个内置了显卡和USB驱动的特制版win7系统。由于单文件已经大于了4G,所以推荐使用rufus来写入镜像安装。如还有问题，请记录下电脑配置，联系QQ11717907。制作完成以后，就可以通过U盘启动安装了。

海康威视技术支持 7252

RagFlow本地部署使用

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。

qq_43548590的博客 4万+

【智能车Code review】——小S与中S道路判断

基本思想： 找到中线的左拐点和右拐点，并且计算出两点之间的空间距离。通过限制空间距离，分为中S和小S。 注意这种情况：当20行以下的中线斜率比较陡，此时可以通过人为限制设定，将第0行的中线设置为拐点。 if (flag_centre_right_point == 0 && flag_centre_left_point == 1 && parameterB >= 0.5 && centre_left_point[0] >= 33) { .

hanhan的博客 6104

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。

RAGFlow：重型知识库引擎

给大家推荐一款重磅产品。如果你对现在的知识库产品不满意，想要提升检索精确度，我推荐你试一试RAGFlow。它提供了更深度、更细致的选项，你可以根据自己文档的情况做针对性的调整。如果你们团队或者公司想要搭建一套本地知识库，我也建议你们先研究一下RAGFlow。我之前就在社群里说过：大概率，你们自己捣鼓出来的东西不会比它更好——还不如在它的基础上做定制化。RAGFlow是一套开源的RAG引擎。它重度集成了各种技术，而且更新很快。

m0_59164520的博客 7964

WINCC7.3破解文件

WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！

RAG+Agent人工智能平台：RAGflow实现GraphRA知识库问答，打造极致多模态问答与AI编排流体验

环节要求CPU >= 4 核如果你并没有在本机安装 Docker（Windows、Mac，或者 Linux）, 可以参考文档 Install Docker Engine 自行安装。是Linux内核中的一个重要参数，它定义了一个进程可以拥有的最大内存映射区域数。内存映射区域通常指的是内存映射文件、匿名内存映射等。性能优化：通过增加vm.max_map_count的值，可以允许应用程序创建更多的内存映射区域，从而提高性能和效率。特别是对于需要频繁访问大量文件或数据的应用程序，这种优化效果尤为明显。

python1234_的博客 1万+

假人有限元模型

假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用

SAP B1中文培訓教材_SDK

公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说

【干货】带你一步步搭建RAGFlow

上星期给各位同学介绍了RAGFlow这个大模型RAG引擎，本篇给大家介绍一下RAGFlow的本地搭建，以下过程基于Ubuntu24，其它Linux系统的搭建方法也基本相同。先来温补一下，RAGFlow是一个基于对文档深入理解的开源 RAG（检索增强生成）引擎。它的作用是可以让用户创建自有知识库，根据设定的参数对知识库中的文件进行切块处理，用户向大模型提问时，RAGFlow先查找自有知识库中的切块内容，接着把查找到的知识库数据输入到对话大模型中再生成答案输出。

m0_59235245的博客 2万+

端到端 RAG 解决方案 RAGFlow 正式开源

继 AI 原生数据库 Infinity 于去年底正式开源之后，我们的端到端 RAG 解决方案 RAGFlow 也于今日正式开源。项目地址： https://github.com/infiniflow/ragflow

datageek的博客 1万+

【免费下载】 RAGFlow 开源项目安装与使用文档

RAGFlow是一款基于深度文档理解构建的开源RAG（Retrieval-Augmented Generation）引擎。它旨在为企业和个人提供一个简化的工作流程来处理复杂的非结构化数据，结合大型语言模型(LLM)，实现可靠且详尽的数据问答服务。其特色包括： - **质量保证**：“高质量输入，高质量输出”，具备深度理解复杂格式数据的能力。 - **自定义控制**：支持多种文本模板，确保智能的同

gitblog_00472的博客 6106

十分钟吃透 RAGFlow：从入门到精通，手把手教你搭建 RAG 知识库”

十分钟吃透 RAGFlow：从入门到精通，手把手教你搭建 RAG 知识库”

python12345_的博客 4861

RAG Flow搭建AI医疗助手，附带完整教程+源码

对于医疗问答AI回答胡说八道，RAGFlow是一个效果非常好的医疗问答AI助手方案，体验完胜于目前市面上其他医疗问答AI和前沿的医疗领域大模型。

m0_63171455的博客 5366

RagFlow的本地部署

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。

wjj_fire的博客 1万+

RAGFlow 入门到精通：手把手搭建你的第一个 RAG 系统，一文看懂！

RAGFlow 入门到精通：手把手搭建你的第一个 RAG 系统，一文看懂！

大模型教程的博客 9367

开源AI工具FastGPT和RagFlow对比

FastGPT和RagFlow在性能上各有千秋。FastGPT在数据收集、预处理和模型训练方面表现出色，能够快速构建知识库并生成文本回答；而RagFlow则在文档处理、知识库构建与问答能力、系统灵活性与扩展性等方面具有显著优势，特别适用于需要深度文档理解和复杂查询处理的场景。在选择时，用户应根据自身需求和场景特点进行综合考虑。

xuweilin的博客 5793

【RAGFlow】Ubuntu系统下实现源码启动RAGFlow

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。因为官方提供了快速搭建平台使用docker容器技术，但我们不想使用docker容器搭建，所以就尝试直接在Ubuntu系统环境下直接启动源码的方式实现。

kewaqi618的博客 1万+
上一篇： 来学学大模型最新「合金特工」骚操作，能力比肩多智能体，AI 黑客成功率飙升，大模型入门到精通，收藏这篇就足够了！
下一篇： RAGFlow想说爱你不容易，win10环境搭建、常用修改，大模型入门到精通，收藏这篇就足够了！
点赞 9
评论 0
书签 书签 30
Llama-Turbo
Llama-Turbo
博客等级 码龄4年 9901粉丝 2022原创
+ 关注
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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