Hello，大家好呀，说好的RAG教程来了。
大模型给的答案太过于泛泛，甚至答非所问……工作了好多年，电脑里存了一大堆的材料，但不知道该如何使用……明明之前做过的内容，但总也想不起来具体是哪个文件，面对好几个T的材料，一点一点翻……
如果你也遇到了类似问题，这一篇我们用RAGFlow把个人知识库变成AI大脑。
本文提到的工具：RAGFlow + DeepSeek + Docker + Ollama（可选）
需要注意的是：
RAG并不是替代大模型，而是用本地知识库做补充，让最终的答案能更个性化、更有针对性。
先看效果
为了测试，我在本地新建了一个叫“奶奶的私房菜.txt”的文件，里面存了一个“红烧鲤鱼”的做法，当然内容是我自己随便编的。为了测试是否调用了本地知识库，特意在里面加了一句只有我自己才知道的一句话 “奶奶私房菜红烧鲤鱼做法的关键不是做菜的步骤，而是做菜的人要是奶奶！”
（本地的知识库文件）
（第一个问题：红烧鲤鱼怎么做？大模型调用的是本地知识库的答案，还会显示引用了本地那个知识库文件）
（第二个问题：红烧鲤鱼的关键是什么？大模型进行了分析和总结，即包含了做菜的技术因素，还包含了个人知识库里面特有的感情因素）
以下是详细的实现过程：
一、需求拆解
-
能调用AI大模型（在线或者本地）
-
把本地资料变成知识库
-
在聊天中调用大模型+本地知识库做补充
二、用到的工具
Docker + RAGFlow + DeepSeek + Ollama（如果使用本地的大模型，可以装）
三、实现过程
- 安装Docker
官网（https://www.docker.com/）下载安装即可，傻瓜式操作，一路下一步即可。
PS：Docker是一个容器，把软件运行需要的一堆东西打包在一起，下载下来就能直接用，无需自己一个一个安装，类似安装windows用到的ghost盘一样。（RAGFlow要正常运行，需要安装对应版本的Mysql、Redis、ES等，Docker全部打包好，直接下载开箱即用）
- 使用Docker安装RAGFLow
1）从github上拉取RAGFlow的最新代码到本地
可以在cmd里面使用git命令下载
git clone https://github.com/infiniflow/ragflow.git
也可以直接在，github官网，下载zip文件
2）修改RAGFLow工程docker下的环境变量
这一步很重要，主要是下载RAGFLow自带的embedding模型（用于将本地的资料文件，转换成大模型可以理解的向量）。
打开第1）步中下载的工程目录，找到ragflow/docker/.env文件，用记事本打开。
找到，RAGFLOW_IMAGE 大概在81和84行，注释掉81行，打开84行。
3）使用docker安装RAGFlow镜像
启动docker：双击桌面的docker快捷键，启动docker。
安装RAGFlow镜像：在RAGFlow工程的ragflow/docker目录下，用cmd执行以下命令，剩下的就是等待，看自己网络情况，等待时间不等。
docker compose -f docker-compose.yml up -d
- 【可选】如果docker拉取镜像时间太久，可以切换到国内的镜像源，以下是亲测可用的源。
"registry-mirrors":[
配置的位置，在docker软件界面->配置->Docker Engine下，配置的时候，注意写法是json格式（尤其别忘了逗号），直接粘贴我的过去好了。
- 启动RAGFlow
第一次安装完成，cmd的界面，显示以下信息即表示启动成功。后续，只需要启动docker（双击桌面的快捷方式），RAGFlow会自动启动。
- 配置RAGFLow大模型
1）登录：通过浏览器，访问http://localhost/或者http://127.0.0.1。注册一个账号，随便一个邮箱，不会做验证，但需要记住，以后每次登录都需要用。
2）配置备选大模型：头像->配置->模型提供商 (配置图标其实就是自己的头像，第一次用时，找了半天，尴尬）
（已经配置好的大模型 - 可参考之前的文章obsidian+AI系列之Text Generator配置deepseek和moonshot）
（支持的大模型列表 - 主流的基本都支持）
3）配置使用中的模型：头像->配置->模型提供商->系统模型设置
(PS: 上一步配置的模型可以有多个，这一步选择实际想用的那个)
（选择刚配置好的模型）
- 新建本地知识库
1）创建知识库：ragflow->知识库->创建知识库，例如“奶奶的私房菜”
2）新增数据集：点开刚才新建的知识库，点击“新增文件”，把本地知识库上传
3）解析文本：这一步很重要，千万别忘！点击刚上传的本地知识文件，右边的绿色小箭头，调用embedding模型把本地文件解析成大模型能用的向量。
解析状态显示成功，才能生效。
- 新建聊天助手，引用本地知识库
1）新建助理：ragflow->聊天->新建助理，
2）配置助理：
1）随便取个名字，例如“奶奶的私房菜”
2）修改助理描述，例如“你是一个名厨，优先从本地知识库回答问题”
3）设置开车白，例如“你好！ 我是你的私人大厨，今天想吃点儿什么呢？”
4）引用本地知识库，选中刚解析好的本地知识库。
- 到此为止，你已经拥有了结合本地知识库的大模型了，开始聊天吧！
你可以随意提问，不限于知识库里有的，系统还是会调用大模型回答问题。
如果本地知识库里有，则结合本地知识库进行回答。
当然，你可以设置，只用本地知识库回答。
8.（可选）使用ollama安装本地大模型，针对担心本地知识库泄露或者api的token不够用的朋友，可以本地安装大模型，RAGFlow支持调用本地模型。
原本想在本篇一次性写完，发现已经很长了，而且ollama的安装和配置，稍稍有一些复杂，就安排到下一篇吧。
到这一步，相信你对RAG是什么，如何使用RAG把个人的知识库变成自己的第二大脑有了一个初步的认知。企业的私有知识库，智能客服问答等原理都是类似的。希望这篇文章对你有用~~
下一篇见啦。
大模型算是目前当之无愧最火的一个方向了，算是新时代的风口！有小伙伴觉得，作为新领域、新方向人才需求必然相当大，与之相应的人才缺乏、人才竞争自然也会更少，那转行去做大模型是不是一个更好的选择呢？是不是更好就业呢？是不是就暂时能抵抗35岁中年危机呢？
答案当然是这样，大模型必然是新风口！
那如何学习大模型 ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。但是具体到个人，只能说是：
最先掌握AI的人，将会比较晚掌握AI的人有竞争优势。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
但现在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大模型的学习路线完善出来！
在这个版本当中：
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，这份大模型路线+学习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：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：AI大模型RAG应用开发工程，主要学习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，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造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，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
335
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
