背景
最近想改下ragflow的源码和研究下大模型。好好的整理下环境。
以前写过python，项目不大，也就几个项目，一般都用python自带的venv做环境管理，单一的python还好一些，我之前安装的是3.9（比较早了）。而有些项目需要3.10，有的需要3.11，有的需要3.12，要么升级，要么安装多套环境。有时候一不注意好几个项目就混合共用一个虚拟环境，然后就是各种版本冲突。
后来安装了anaconda，个人感觉还是有点重了，趁着这次跑微调以及ragflow源码的修改。使用minicoda重新整理了一遍。
我让chatgpt帮我对比了下优缺点。
| 特性 | venv + pip | conda |
|---|---|---|
| Python 版本管理 | ❌ 依赖系统 Python | ✅ 独立管理多个版本 |
| 非 Python 依赖 | ❌ 仅支持 Python 依赖 | ✅ 支持 C/C++、CUDA 等 |
| 依赖解析能力 | ⚠️ 可能冲突 | ✅ 更强的依赖管理 |
| 速度 | ✅ 轻量级 | ⚠️ 可能较慢（特别是 solver） |
| YAML 配置支持 | ❌ 不支持 | ✅ 支持 environment.yml |
速度慢，在于解析查找，安装完以后都一样。
本文篇幅交行，我简单的列下本文大纲。
- pip 环境
- minconda3安装
- conda常用操作
- ragflow win10环境配置
- ragflow后端启动
- ragflow前端启动
- ragflow登录界面和图标修改
环境清理
pip推荐
全局设置
只要我们设置一次，以后就一直生效。选择一个设置即可。
# 阿里pip镜像
pip config set global.index-url https://mirrors.aliyun.com/pypi/simple
# 清华pip镜像
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
# 腾讯pip镜像
pip config set global.index-url http://mirrors.cloud.tencent.com/pypi/simple
# 豆瓣pip镜像
pip config set global.index-url http://pypi.douban.com/simple/
# 网易pip镜像
pip config set global.index-url https://mirrors.163.com/pypi/simple/
pip config set global.index-url https://mirrors.aliyun.com/pypi/simple
Writing to C:\Users\yxkong\AppData\Roaming\pip\pip.ini
临时使用
不想设置全局，可以在安装的时候，临时设置一个。
pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple/
使用pip的时候在后面加上-i参数，指定pip源：
miniconda3安装
官方网址： https://docs.conda.io/projects/conda/en/stable/index.html
国内镜像 https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/
unbuntu 22 安装
在unbuntu中，下载以后，直接执行下面的命令即可。
sh Miniconda3-latest-Linux-x86_64.sh
按照提示，回车-> yes->数据安装目录（可选），不输入直接回车->yes
Welcome to Miniconda3 py312_25.1.1-2
In order to continue the installation process, please review the license
agreement.
Please, press ENTER to continue
> >>
ANACONDA TERMS OF SERVICE
Do you accept the license terms? [yes|no]
> >> yes
Miniconda3 will now be installed into this location:
/home/yxkong/miniconda3
- Press ENTER to confirm the location
- Press CTRL-C to abort the installation
- Or specify a different location below
[/home/yxkong/miniconda3] >>> /opt/app/miniconda3
PREFIX=/opt/app/miniconda3
You can undo this by running `conda init --reverse $SHELL`? [yes|no]
[no] >>> yes
no change /opt/app/miniconda3/condabin/conda
no change /opt/app/miniconda3/bin/conda
no change /opt/app/miniconda3/bin/conda-env
no change /opt/app/miniconda3/bin/activate
no change /opt/app/miniconda3/bin/deactivate
no change /opt/app/miniconda3/etc/profile.d/conda.sh
no change /opt/app/miniconda3/etc/fish/conf.d/conda.fish
no change /opt/app/miniconda3/shell/condabin/Conda.psm1
no change /opt/app/miniconda3/shell/condabin/conda-hook.ps1
no change /opt/app/miniconda3/lib/python3.12/site-packages/xontrib/conda.xsh
no change /opt/app/miniconda3/etc/profile.d/conda.csh
modified /home/yxkong/.bashrc
==> For changes to take effect, close and re-open your current shell. <==
Thank you for installing Miniconda3!
可以看到最后有一个/home/yxkong/.bashrc
验证下
(base) yxk@yxkong:~$ conda -V
conda 25.1.1
win10 安装
设置安装目录
- 将Miniconda3添加到环境变量里，官方不推荐，我推荐勾选
- 注册Miniconda3作为默认的python3.12，如果本地已经有python环境，不用勾选，没有勾选上
- 安装完清理
安装以后，我们可以在命令行中执行Get-Command python
PS C:\Users\yxkong> Get-Command python
CommandType Name Version Source
----------- ---- ------- ------
Application python.exe 3.12.91... E:\ai\miniconda3\python.exe
conda常用操作
conda配置操作
conda安装以后,我们先设置一下，设置显示通道地址
# 设置显示通道地址
conda config --set show_channel_urls yes
# 查看通道channels
conda config --show channels
channels:
- https://repo.anaconda.com/pkgs/main
- https://repo.anaconda.com/pkgs/r
- 设置完以后在对应的登录用户目录下，会有一个
.condarc文件，不管是unbuntu还是win10, - 还有一个
.condarc，在程序的安装目录中， - 通过命令操作修改的是当前用户目录中的
.condarc文件 - 在操作的时候，是把这两个文件进行了合并。
其他配置操作
# 获取版本号
conda --version 或 conda -V
# 检查更新当前conda
conda update conda
# 禁止conda自动更新
conda config --set auto_update_conda False
# 禁止自动激活base环境，需要每次手动激活
conda config --set auto_activate_base false
环境操作
常用操作
# 激活环境
conda activate ragflow
# 退出当前环境
conda deactivate
# 查看环境列表
conda env list
# 查看当前存在哪些虚拟环境
conda env list 或 conda info -e
# 删除指定环境
conda env remove -n 环境名称
创建环境
# 创建一个ragflow 的环境，包括 python 3.11 pip
conda create -n ragflow python=3.11 pip
# 从现有的环境复制一个到新的环境
conda create --clone old_env -n new_env
# 激活环境
conda activate ragflow
包管理
# 查看指定环境的包列表，
conda list package_name
# 查询当前包环境
conda list
# 安装包，可以通过=设置版本号
conda install package_name
# 比如
conda install numpy=1.18.5
conda install -c channel_name package_name
# 根据requirements.txt安装环境
conda install --file requirements.txt
# 从当前激活的 conda 环境中导出包列表到 requirements.txt 文件
conda list --export > requirements.txt
# 查询包
conda search package_name
# 更新包
conda update package_name
# 删除包
conda remove package_name
镜像源设置
添加国内镜像
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
添加的这些链接是什么含义？接下来我们了解下。
镜像路径解释
清华大学的镜像站还是蛮全的，地址：https://mirrors.tuna.tsinghua.edu.cn/。 这里有很多好经常使用的软件。还有同步时间。
https://mirrors.tuna.tsinghua.edu.cn/anaconda/
| 目录/文件 | 含义 |
|---|---|
| archive/ | 存储 Anaconda 的历史存档文件，可能包括旧版本的安装包或其他相关文件。 |
| cloud/ | 存储与 Anaconda Cloud 相关的文件，可能包括从 Anaconda Cloud 同步的包或其他资源。 |
| miniconda/ | 存储 Miniconda 的安装文件和相关资源。Miniconda 是 Anaconda 的轻量级版本，只包含 conda、Python 和一些依赖项。 |
| pkgs/ | 存储 Anaconda 的软件包文件。这些文件是 conda 安装和管理包时使用的二进制文件。 |
| failed_packages.txt | 记录失败的包信息的文件，可能包含在同步或更新过程中出现问题的包的列表。 |
| 目录/文件 | 含义 |
|---|---|
| free/ | 存储 Anaconda 的免费软件包。 |
| main/ | 存储 Anaconda 的主要软件包，包括常用的数据科学和计算工具。 |
| mro/ | 存储与 Microsoft R Open 相关的软件包。 |
| msys2/ | 存储与 MSYS2 相关的软件包，MSYS2 是一个用于 Windows 的轻量级 Unix 环境。 |
| pro/ | 存储 Anaconda Pro 的软件包，Anaconda Pro 是 Anaconda 的商业版本。 |
| r/ | 存储与 R 语言相关的软件包。 |
| rss.xml | 提供该目录的 RSS 订阅文件，方便用户通过 RSS 阅读器获取目录更新信息。 |
通过上面的说明，我们可以看到每个目录的含义，添加额每个url是什么含义，就有了清晰的了解了。
常用镜像站
清华
北外
https://mirrors.bfsu.edu.cn/anaconda
最后重定向到了清华
中科大
https://mirrors.ustc.edu.cn/anaconda/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/bioconda/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/menpo/
conda config --set show_channel_urls yes
我设置的
channels:
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/win-64/
- https://mirrors.bfsu.edu.cn/anaconda/pkgs/free/
- https://mirrors.bfsu.edu.cn/anaconda/pkgs/main/
- https://mirrors.bfsu.edu.cn/anaconda/cloud/conda-forge/
- https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
- https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
- https://mirrors.ustc.edu.cn/anaconda/cloud/conda-forge/
- https://mirrors.ustc.edu.cn/anaconda/cloud/bioconda/
- https://mirrors.ustc.edu.cn/anaconda/cloud/msys2/
- https://mirrors.ustc.edu.cn/anaconda/cloud/menpo/
show_channel_urls: true
auto_update_conda: false
ragflow后端环境配置
# 下载代码
git clone https://github.com/infiniflow/ragflow
我使用的是0.17.2版本的代码
设置PyCharm环境依赖
点击pycharm 的设置。
- 找到
python interpreter点击2的位置，然后点击3添加本地的python解释器。
python interpreter 中文叫python解释器，可以理解为python环境。
- 点击
1选择conda环境 - 点击
2选择自己安装的miniconda地址中的condabin\conda.bat - 点击
3加载
- 点击
1使用已存在的环境（我之前创建的ragflow） - 选择
ragflow
可以看到已经内置了一些包。我们点击ok按钮。
依赖安装
一般我们从别的地方拷贝一个项目安装依赖。有以下几种方式。
- 有
requirements.txt直接用项目里提供的requirements.txt 使用pip install -r requirements.txt安装 - 有
setup.py在setup.py所在目录里，使用pip install -e .安装 - Poetry 项目有pyproject.toml文件，直接
poetry install - Pipenv 项目 有Pipfile文件，使用
pipenv install安装
而ragflow都不是，ragflow使用uv管理包。在项目里有个uv.lock文件。
UV（UltraFast Python Package Installer） 是一个 超快速的 Python 包管理工具，用于替代 pip 和 virtualenv，它的核心特点是 安装速度快，依赖解析高效，并且支持 uv.lock 作为锁定文件。
然而我折腾了一会，安装不上。（事后总结还是用uv省事，基本上包都覆盖住了。）
使用conda
不想折腾太多环境，使用conda。
我找官方的开发，让他给我导了一份requirements.txt 文件一共275行。然后还是各种折腾了几个小时。启动时候各种缺包。
需要注意的是：
- 官网写着python 3.10，不行，得3.11，别问我为啥，折腾出来的
我把最后的requirements.txt 放入网盘，有需要的大家自己获取。一共433个。
https://pan.quark.cn/s/54ac26aa4bdb
配置文件
在根目录中有一个conf/service_conf.yaml文件这里是依赖的环境配置。 里面的服务我们都可以自己独立部署。我是之前在本地用docker部署了一套ragflow，所以我就不再单独处理了。
需要注意的事：
如果你docker启动的不是base，需要修改ragflow的端口。 如果你没有修改过docker部署的端口，可以直接使用，如果修改了，需要对应的修改。
后端服务启动
根据官方的文档，直接执行docker/entrypoint.sh既可以启动，我打开一看，是linux环境。
刚开始想把它转成win的脚步，后来试了下，还是算了，最后找到了以下两个命令。
$ PY rag/svr/task_executor.py
$ PY api/ragflow_server.py
直接在ragflow的根目录里，执行。
# 根据自己的环境设置
set PYTHONPATH=E:\ai\code\ragflow
# 启动异步任务的
python .\rag\svr\task_executor.py
# 启动后端api服务的
python api/ragflow_server.py
不容易，终于折腾好了
直接命令行启动。
你也可以通过PyCharm启动，特别是断点调试。
又是一堆依赖安装，server也启动了。
最后看下环境的大小。
接近4个g了。
我打个包扔到盘里。大家根据自己的需要获取。 https://pan.quark.cn/s/54ac26aa4bdb
https://pan.baidu.com/s/1PF79x-gzWosN_ME5LtSRIw?pwd=q2tu
ragflow前端环境启动
前端服务启动
前端环境需要npm，或者pnpm，我之前一直有对应的环境，我就不折腾了。
首先进入web目录
# 进入ragflow的web目录
(ragflow) PS E:\ai\code\ragflow> cd .\web\
首先修改.umirc.ts中的proxy。
比如我把后端的端口改成了9580
proxy: [
{
context: ['/api', '/v1' ],
target: 'http://127.0.0.1:9580/' ,
changeOrigin: true ,
ws: true ,
logger: console,
// pathRewrite: { '^/v1' : '/v1' },
},
],
编译运行
# 安装前端依赖
(ragflow) PS E:\ai\code\ragflow\web> npm install
# 启动项目
(ragflow) PS E:\ai\code\ragflow\web> npm run dev
常用修改
登录页面背景替换
- 替换背景：ragflow/web/src/assets/svg/login-background.svg
- 去掉免费注册和图标：agflow/web/src/pages/login/right-panel.tsx 中 26~41删除
- 替换为客户的名称：agflow/web/src/locales/zh.ts 中57行的 title
logo修改
- agflow/web/src/conf.json 中的RAGFlow 是图标边上的名称
- agflow/web/public/logo.svg 左上角的logo
注意事项
关于依赖
如果大家自己折腾，建议用uv，直接导入官方提供的，缺有，但是不多。
不想用uv，使用conda，建议让kimi写个脚本，把uv.lock里的包都洗出来，洗成requirements.txt，然后启动的时候，添加几个就行了。
关于python版本
python必须3.11，3.10有些包安装不上，3.12有些包没有。
非固定版本的包安装
# 通用安装法，加双引号
pip install "ruamel-yaml>=0.18.6,<=0.19.0"
# PowerShell 特有安装法，需要转义符号
pip install ruamel-yaml`>=0.18.6,`<=0.19.0
win10 中powershell失效的问题解决
在powershell中，通过pip安装以后，通过conda list查看安装的包，总是找不到。
执行conda init powershell命令，会看到会将conda加入到powershell的环境里。
PS C:\Users\yxkong> conda init powershell
no change E:\ai\miniconda3\Scripts\conda.exe
no change E:\ai\miniconda3\Scripts\conda-env.exe
no change E:\ai\miniconda3\Scripts\conda-script.py
no change E:\ai\miniconda3\Scripts\conda-env-script.py
no change E:\ai\miniconda3\condabin\conda.bat
no change E:\ai\miniconda3\Library\bin\conda.bat
no change E:\ai\miniconda3\condabin\_conda_activate.bat
no change E:\ai\miniconda3\condabin\rename_tmp.bat
no change E:\ai\miniconda3\condabin\conda_auto_activate.bat
no change E:\ai\miniconda3\condabin\conda_hook.bat
no change E:\ai\miniconda3\Scripts\activate.bat
no change E:\ai\miniconda3\condabin\activate.bat
no change E:\ai\miniconda3\condabin\deactivate.bat
modified E:\ai\miniconda3\Scripts\activate
modified E:\ai\miniconda3\Scripts\deactivate
modified E:\ai\miniconda3\etc\profile.d\conda.sh
modified E:\ai\miniconda3\etc\fish\conf.d\conda.fish
no change E:\ai\miniconda3\shell\condabin\Conda.psm1
modified E:\ai\miniconda3\shell\condabin\conda-hook.ps1
no change E:\ai\miniconda3\Lib\site-packages\xontrib\conda.xsh
modified E:\ai\miniconda3\etc\profile.d\conda.csh
modified C:\Users\yxkong\Documents\PowerShell\profile.ps1
modified C:\Users\yxkong\Documents\WindowsPowerShell\profile.ps1
No module named ‘api’
我用PYTHONPATH把ragflow设为了根目录，但是执行的时候，还是找不到api的模块。
(ragflow) PS E:\ai\code\ragflow> set PYTHONPATH=E:\ai\code\ragflow
(ragflow) PS E:\ai\code\ragflow> python .\rag\svr\task_executor.py
Traceback (most recent call last):
File "E:\ai\code\ragflow\rag\svr\task_executor.py", line 22, in <module>
from api.utils.log_utils import initRootLogger, get_project_base_directory
ModuleNotFoundError: No module named 'api'
不用环境的设置方法
# Windows
set PYTHONPATH=E:\ai\code\ragflow
# Linux/macOS
export PYTHONPATH=/path/to/your/project/root
# 需要注意的是，以上都是单个窗口的设置，可以全局设置
$ env:PYTHONPATH="E:\ai\code\ragflow"
Resource punkt_tab not found.
LookupError: Resource punkt_tab not found. Please use the NLTK Downloader to obtain the resource:
Resource wordnet not found 执行以下命令
python -c "import nltk; nltk.download('punkt_tab')"
python -c "import nltk; nltk.download('wordnet')"
关于数据库
我没在代码里看到初始化数据库的地方。
因为我本地用docker启了一套环境，所有的数据库都已经有了。如果你全部自己搭建，就把mysql的数据库导出一份。
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🆓↓↓↓
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。
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)
三、大模型系列视频教程（免费分享）
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。
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。
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。
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。
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。
L5阶段：专题集丨特训篇 【录播课】
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
扫一扫
6089
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
