本地化部署AI Agent(Deepseek+联网搜索+RAGFlow)小白版windows教程,大模型入门到精通,收藏这篇就足够了!

Windows 下本地 Docker RAGFlow 部署指南 阅读详情
AI摘要

本文详细介绍了如何在Windows环境下通过Ollama安装Deepseek模型,并配置联网功能及RAGFlow。涵盖了Docker Desktop的使用、Open-WebUI和RAGFlow的安装与设置,帮助用户实现大模型的本地化部署与智能体应用。

一、通过Ollama安装Deepseek本地模型

1、本地安装Ollama软件。

Ollama 是一个开源项目,专注于简化大型语言模型(LLMs)的本地运行与部署。下载网址为“https://ollama.com/download”,选择选择windows安装包。默认安装在C盘,正常安装即可。

2、采用命令行运行,加载deepseek模型。

开始窗口搜索cmd,以管理员身份运行,输入“ollama run deepseek-r1:14b”。输入后开始下载,等待下载完成即可。

不同模型的安装指令,任选其一或多个。对应的硬件配置见后面列表,可以都试试,跑不动了再说。

ollama run deepseek-r1:1.5b

ollama run deepseek-r1:7b

ollama run deepseek-r1:8b

ollama run deepseek-r1:14b

ollama run deepseek-r1:32b

ollama run deepseek-r1:70b

ollama run deepseek-r1:671b

deepseek本地模型及其对应硬件要求(仅供参考),事实是高配的个人台式机电脑也能跑动32b,只是如果显存不足24G会不再调用GPU并只用CPU。

如果进行本地知识库部署,需要再输入以下指令“ollama pull shaw/dmeta-embedding-zh”,直到下载完成。

命令行输入“ollama list”可以查看已安装的Ollama模型。

3、Ollama环境设置,以支持远程调用。

打开“此电脑-右键属性-高级系统设置-高级-环境变量”,最下面点击“新建(W)”,弹出“新建系统变量”弹窗。

系统属性窗口中,变量名输入:“OLLAMA_HOST”, 变量值输入:“0.0.0.0”。保存后,再新建系统变量,变量名输入:“OLLAMA_ORIGINS”, 变量值输入:“*”。

完成这些配置后,远程客户端应该就能够连接到Ollama服务了。调用时只需要提供“Ollama URL”或“API域名”,即“http://localhost:11434”或“http://127.0.0.1:11434”。均表示通过本地主机提供服务。

二、Deepseek配置联网功能

1、方式1——通过浏览器插件配置(常用单台电脑)

以Windows自带的Egde浏览器为例,调用本地Deepseek模型。在Egde浏览器中点击插件图标,点击“获取Microsoft Edge 扩展”,输入“Page assist”,点“获取” “Page Assist - A Web UI for Local AI Models”,

点击新聊天。显示OLLAMA is running即可使用。

在“一般设置-管理网络搜索”中,点击开启“执行简单的网际网路搜索”,聊天页面会增加联网搜索功能按钮。搜索引擎选择“Sogou”或者“Baidu”在国内免费、可用,总搜索结果可以设置“50”,表示输入最多50个联网搜索结果,然后合并你的问题向Deepseek进行联网提问。此时影响Deepseek结果的核心因素就是1)你的问题表述方式2)联网搜索的质量。

所以,这里的使用建议是,采用Firefox、Edge两个浏览器分别配置“Sogou”搜索、“Baidu”搜索,总搜索结果数量可选大一点。

2、方式2——通过Open-WebUI配置(常用多台电脑&手机端)

Open-WebUI适合平日使用多台电脑,以及需要PC端(台式机、笔记本)、移动端(pad、手机)同时使用的人群。与浏览器插件不同的是,Open WebUI的移动端与网页版没有任何区别,对于经常切换使用入口的人十分友好。

自己安装后,或采用别人的平台,注册后以管理员身份登录。只有管理员才能设置联网搜索功能,普通用户只能使用。

选择可用的联网搜索引擎。我用了一个付费的AI搜索引擎。官网“https://bochaai.com/”,目前质量尚可,就是速度一般。正在找更好的搜索引擎。其他引擎需要科学上网和代理设置。

3、联网功能的组合设置

使用者不能科学上网的话。建议2个浏览器分别配置“Sogou”和“Baidu”引擎,然后Open WebUI配置付费的搜索引擎。对同一个问题可以得到不联网的答案、基于Sogou搜索的答案、基于Baidu搜索的答案和基于付费AI搜索引擎的答案,共计4种类型。综合比较后,根据自己的实际使用情况选择使用频率。

使用者可以科学上网的话。除了上述几个布置,可以多配置几个Docker版的Open WebUI,譬如webui-bocha、wenbui-google、webui-bing、webui-duckduckgo。每一个设置一种搜索引擎,测试与自己需求的匹配情况,综合比较后选择使用哪种搜索引擎。

三、通过Docker Desktop配置Open-WebUI和RAGFlow

1、前期环境配置:开启WSL2

①升级Windows版本。

win+R打开运行框,输入cmd回车,输入:“winver”查看系统版本号。WSL2对系统版本有要求,如果内部版本低于19041,需更新到最新的Windows版本。这里的建议是直接升级Win11。

Win10升级进入以下链接“https://www.microsoft.com/zh-cn/software-download/windows10”。

升级后核查版本号是否高于19041。最方便的,还是直接升级到Win11,再核查版本号。

②BIOS页面开启CPU虚拟化。

重启电脑,进入BIOS设置,一般是按F2或者Delete,具体看主板。建议网上搜索下相应品牌和型号的电脑BIOS快捷键。在大多数情况下,虚拟化技术选项会被归类在“Advanced”或类似的界面中。这部分看电脑,不多赘述。

③开启虚拟机功能。

控制面板,打开三个功能项,选中后重启。

或者采用另一种方式。开始页面搜索PowerShell,以管理员身份打开PowerShell中。

运行下面命令,以确保开启适用于Linux的Windows子系统和虚拟机平台配置项。“dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart”以及“dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart”。

一定要重新启动。

④安装WSL2

在PowerShell 中输入以下命令并执行:“wsl --install”。会自动执行安装“Ubuntu”。

也可以通过命令行查看在线版本。“wsl --list --online”。

然后选择命令行“wsl --install Ubuntu-22.04”安装对应版本Ubuntu-22.04。

检查WSL版本升级,命令行“wsl --update”。

设置默认版本为WSL2。命令行“wsl --set-default-version 2”

最后一定核查版本。命令行“wsl -l -v”。VERSION为2。

至此,我们在Windows系统上安装好了一个Linux子系统。

2、安装Docker Desktop

①安装Windows版本的Docker Desktop软件

进入Docker官网 (www.docker.com/) ,下载对应版本并安装。下载最新的。

然后以管理员身份安装。

②拉取镜像,软件较大,比较费时

先PowerShell拉取Open-WebUI的镜像,采用国内镜像源。“docker pull ghcr.nju.edu.cn/open-webui/open-webui:main”。官方镜像为“docker pull ghcr.io/open-webui/open-webui”非常慢。

再拉取RAGFlow的镜像。“docker pull infiniflow/ragflow:v0.16.0”

两个镜像下载完成后。可以看到Open-WebUI是4.46GB,而RAGFlow由好几个镜像组成,总计20GB左右。其他必要镜像后续再下载。

3、安装Open-WebUI

①安装docker版Open-WebUI软件。

采用PowerShell命令行安装。“docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.nju.edu.cn/open-webui/open-webui”。

检查docker desktop界面。如下图,进入“http://127.0.0.1:3000”说明成功了。

进入“http://127.0.0.1:3000”后的效果。点击开始使用,注册管理员账户、密码。

如果本地已经安装Ollama,可以看到已安装的Deepseek。

②配置Open WebUI。

如图进入“管理员面板”。

除了本地部署的蒸馏版Deepseek模型,还可以新增自己的满血版Deepseek API以及不用科学上网的ChatGPT API。

硅基流动的API(支持Deepseek)如下。Prefix ID(提供商名称)为“SiliconFlow”,URL为“https://api.siliconflow.cn/v1”,密钥为“sk-***********”。这三个参数你在自己购买的API服务文档都能找到。

点击保存。

ChatGPT的API如下。我采用了Github上的一个项目,网址如下“https://github.com/chatanywhere/GPT_API_free”。支持国内使用的ChatGPT API,有免费的,也有收费的。免费版支持gpt-4,一天3次;支持gpt-4o-mini,和gpt-3.5-turbo共享一天200次。

收费版参数如下:Prefix ID(提供商名称)为“OpenAI API”,URL为“https://api.chatanywhere.tech”,密钥为“sk-***********”。点击保存。

进入模型,可以看到所有支持的大模型。如下图,只是没选择硅基流动的模型,所有模型加一起有87个。最好是在上一步只添加需要的模型,不然一个个关闭太费劲了。

点击至新的对话界面。可以自由选择模型,进行对话。

Open WebUI安装结束。其他的附带功能请看官方文档“https://docs.openwebui.com/”。

譬如支持调用GPU。需要运行的时候增加“–gpus all”。前提是先安装nvidia-container-runtime,否则当你运行open-webui时会报错:docker: Error response from daemon: could not select device driver “” with capabilities: [[gpu]].

4、安装RAGFlow

需要参考“https://github.com/infiniflow/ragflow”官方文档。

①修改vm.max_map_count参数的值。

运行PowerShell,命令行输入“wsl”进入linux子系统;命令行输入“sudo -i”并输入密码(密码输入过程中命令行无反应),将权限转为root。下图表示已经转为root权限。

命令行“sysctl vm.max_map_count”查询,然后输入命令行“sudo sysctl -w vm.max_map_count=262144”重设。

②下载源代码至本地,并修改参数

点击进入“https://github.com/infiniflow/ragflow”。Code选择Download ZIP。并解压至本地文件夹。

进入docker文件夹,然后右键点击“.env”文件用记事本打开。Crtl F搜索“The RAGFlow Docker image to download”,将需要下载的模型“RAGFLOW_IMAGE=infiniflow/ragflow:v0.16.0”取消注释,表示后续采用此模型。这个模型其实就是前面提前下载的模型。

这两个环境参数“HF_ENDPOINT=https://hf-mirror.com”“MACOS=0”同样取消注释。前者表示采用国内镜像Hugging Face,后者表示非mac操作系统,如果是mac,选择“MACOS=1”。

③本地采用docker-compose.yml安装。

进入ragflow-main\docker文件夹,输入cmd。可以直接以管理员身份进入该文件夹。

输入命令行“docker compose -f docker-compose.yml up -d”,表示通过该文件的配置安装并运行RAGFlow。

进入docker desktop检查运行情况。

打开浏览器,输入“localhost”或者“127.0.0.1”或者本地网络IP出现登录页面,表示安装成功。注册管理员账户使用即可。

创建完账户后,添加模型供应商。

④配置模型。

添加Ollama的“chat”模型。模型名称通过查看ollama list查看,填入已有的模型如“deepseek-r1:32b”。基础url采用“http://host.docker.internal:11434”。点击确定,可能需要配置一段时间。

设置系统默认模型。模型比较重要的是聊天模型和嵌入模型。分别选本地部署的“deepseek-r1:32b”和自带的“BAA/bge-large-zh-v1.5”。

基础的设置完成。

⑤加载并解析本地知识库文件。

新增知识库,设置中选择文档语言“中文”或“英文”,按实际来。嵌入模型选large的,解析方法选“General”,其他的参数后续可以根据实际效果调整。

保存后进入数据集。新增文件并点击解析。

解析完成后可以看到。原文件和解析结果,自主确定是否纳入知识库。

⑥新建对话助理。

设置名称譬如“规划法律法规助手”。知识库选择“规划法律法规”。模型设置里,你可以选择使用满血的Deepseek,而不是本地部署的32b蒸馏版Deepseek模型,以获得更快的响应速度和更好的回答质量。

聊天界面如下图,会给出引用的原始图片和解析结果。

⑦多知识库联合搜索。

搜索界面,支持多个知识库联合搜索。

⑧AI Agent配置

AI Agent配置,进阶使用。支持使用“满血版Deepseek+搜索引擎配置+本地知识库”。

RAGFlow功能较多,且正处于迭代升级中。其他内容请参考官方文档“https://ragflow.io/docs/dev/”。

想入门 AI 大模型却找不到清晰方向?备考大厂 AI 岗还在四处搜集零散资料?别再浪费时间啦!2025 年 AI 大模型全套学习资料已整理完毕,从学习路线到面试真题,从工具教程到行业报告,一站式覆盖你的所有需求,现在全部免费分享!

👇👇扫码免费领取全部内容👇👇

​

一、学习必备:100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT,帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例?大模型电子书?这份资料帮你站在 “行业高度” 学 AI:

1. 100+本大模型方向电子书

在这里插入图片描述

2. 26 份行业研究报告:覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容,涵盖:

  • 职业趋势:《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》;
  • 商业落地:《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》;
  • 领域细分:《AGI 在金融领域的应用报告》《AI GC 实践案例集》;
  • 行业监测:《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT:听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会,包含百度、腾讯、字节等企业的一线实践:

在这里插入图片描述

  • 安全方向:《端侧大模型的安全建设》《大模型驱动安全升级(腾讯代码安全实践)》;
  • 产品与创新:《大模型产品如何创新与创收》《AI 时代的新范式:构建 AI 产品》;
  • 多模态与 Agent:《Step-Video 开源模型(视频生成进展)》《Agentic RAG 的现在与未来》;
  • 工程落地:《从原型到生产:AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看:大厂 AI 岗面试 “弹药库”,300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗?这份面试资料帮你提前 “押题”,拒绝临场慌!

1. 107 道大厂面经:覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景,包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题,每道题都附带思路解析:

2. 102 道 AI 大模型真题:直击大模型核心考点

针对大模型专属考题,从概念到实践全面覆盖,帮你理清底层逻辑:

3. 97 道 LLMs 真题:聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案,比如让很多人头疼的 “复读机问题”:


三、路线必明: AI 大模型学习路线图,1 张图理清核心内容

刚接触 AI 大模型,不知道该从哪学起?这份「AI大模型 学习路线图」直接帮你划重点,不用再盲目摸索!

在这里插入图片描述

路线图涵盖 5 大核心板块,从基础到进阶层层递进:一步步带你从入门到进阶,从理论到实战。

img

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。

img

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。

img

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。

img

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。

img

L5阶段:专题集丨特训篇 【录播课】

img
四、资料领取:全套内容免费抱走,学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型,还是有基础想冲刺大厂、了解行业趋势,这份资料都能满足你!
现在只需按照提示操作,就能免费领取:

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口?别犹豫,这份免费资料就是你的 “起跑线”!

【win10+RAGFlow+Ollama】搭建本地大模型助手(教程+源码) 在当今科技飞速发展的时代,人工智能(AI)已经成为各行各业不可或缺的一部分。特别是在文档处理和数据分析领域,AI的应用更是无处不在。今天,我要向大家介绍一个开源的AI框架引擎——RAGflow。它能够在深度文档理解方面执行检索增强生成(Retrieval-Augmented Generation,简称RAG),并且被认为是目前最优秀的RAG框架之一。本文将详细探讨RAGflow的创新功能、技术特点以及如何在实际应用中发挥其最大潜力。 阅读详情

相关推荐

本地部署 RAGFlow

本地部署 RAGFlow

engchina的专栏 8166

大模型应用开发实战:Dify+RAGFlow+Xinf+Java

 在当今快速发展的技术世界中,掌握大模型应用开发技能已成为追求卓越职业生涯的关键。由云馨AI精心打造的“大模型应用开发:Java+Dify+RAGFlow+Xinference智能问答系统实战”课程,为您提供了一个从零开始学习直至精通的机会,帮助您成为大模型应用领域的专家。本课程无论您是编程新手还是已有一定基础的技术爱好者,都将在这里找到属于您的成长路径。课程内容涵盖了从虚拟机搭建、Docker和docker-compose等基础软件安装开始,到逐步掌握Dify的开发技能,包括但不限于模型配置、应用管理以及工作流编排等核心功能;学习如何部署Xinference模型,如LLM模型、Embedding Models和Rerank models等,让您的知识体系更加完善。更进一步,我们将探索RAGFlow的知识库搭建,通过深度文档理解驱动的开源RAG引擎,解决复杂格式数据问答的难题。最终,您将学会如何使用Java结合Dify、RAGFlow和Xinference搭建企业级智能问答系统,实现制度问答、联网搜索以及基于文档上传的智能问答等功能。参加本课程,您不仅能够获得构建智能客服系统、企业知识库等实际项目的宝贵经验,还能为未来的职业发展奠定坚实的基础。无论是为了提升个人竞争力,还是寻求职业转型,这里都有您需要的一切资源和支持。

DeepSeek-R1本地化部署实战:Ollama+ChatBox零基础闭环指南

大语言模型本地化部署是保障数据安全、满足离线场景与合规要求的关键技术路径。其核心原理在于通过轻量级模型运行时(如Ollama)加载量化GGUF格式模型,并以标准API桥接交互前端。技术价值体现在完全断网运行、低门槛复现、资源可控及企业级可审计性。典型应用场景包括科研文献RAG摘要、现场审计合同解析、制造业设备手册问答等对隐私与实时性敏感的工程实践。本文聚焦DeepSeek-R1模型在Windows/macOS/Linux三端的稳定落地,深度融合Ollama服务层与ChatBox交互层,解决国内网络拉取、显存

weixin_30632883的博客 430

Win 11本地搭建部署RagFlow

基于Docker部署和Linux源码启动均可参考地址:https://github.com/infiniflow/ragflow/blob/main/README_zh.md。启动ragflow:运行api里面的ragflow_server.py,浏览器输入http://IP:9222。Github源码地址:https://github.com/infiniflow/ragflow。按照ragflow目录下docker里面的nginx配置本地nginx。

qq_33290485的博客 7798

DeepSeek Harness是什么?从部署配置到实战避坑全攻略

从大模型工具调用和智能体(Agent)等基础概念切入,说明大模型需要“挽具”来连接外部工具和执行多步任务。然后介绍DeepSeek Harness的两种形态(官方仓库和社区集成),以及如何通过官方API或本地Ollama等方式接入DeepSeek模型。接着讲解Continue、Cline、Codex Harness等主流插件的配置方法,并给出网页抓取、知识库问答、周报生成等实战案例。最后解析常见报错与配置冲突问题,澄清Harness与Agent的区别。帮助开发者快速掌握DeepSeek Harness的核心

weixin_34331102的博客 434

使用 Restart Extension 继续解决 Ansys 机械分析

您正在执行复杂或大型的多步有限元分析,突然,您意识到经过数小时的求解后,您需要添加或修改边界条件。在本篇博文中,您将了解如何利用 Ansys Mechanical 中的 RestartAnalysis 扩展来扩展多步分析,方法是合并额外的时间步骤和边界条件,而不会丢失已计算的结果。幸运的是,在 Mechanical 中,有一种直接的方法可以实现这一点,而不会损害您之前的结果,而这在添加新边界条件和使用重新启动点时经常发生。得到的结果符合预期,您可以看到施加的力产生的这两个部分之间的相对位移。

jkh920184196的博客 1233

在Windows环境下,不使用Docker,本地部署和启动开源项目Ragflow的源代码

在当前AI领域中,基于检索增强生成(RAG)的应用备受关注,而开源项目RAGFlow因其灵活性和功能性成为了一个热门选择。不过,由于其快速的版本迭代,可能会存在一些Bug,并且在实际项目落地时通常需要根据具体需求对源码进行定制化修改。遗憾的是,RAGFlow官方尚未提供针对Windows开发环境的详细文档。因此,在本地部署过程中,我整理了一份详细的记录,希望能够为有类似需求的开发者提供参考。

qq_26979493的博客 1万+

安川机器人SOCKET 通讯

命令 功能 参数 示例 返回 SelectJob 选择程序 JobName LineNo SelectJob TEST 0 #SelectJob,Ok StartJob 启动程序 JobName StartJob TEST #StartJob,Ok Pause 暂停当前程序 - Pause #Pause,Ok Continue 继续当前程序 - Continue #Continue,Ok ServoOn 伺服上电 - ServoOn #ServoOn,Ok ServoOf...

记录学习内容 8285

本地化部署AI Agent(Deepseek+联网搜索+RAGFlow)小白版windows教程

恭喜你!至此,你已经成功在本地部署了一个功能全面的AI Agent。大脑:本地运行的DeepSeek模型,保障你的数据隐私。外挂知识库:通过RAGFlow管理的私人文档,让AI能基于你的资料作答。实时信息触角:通过联网搜索功能,突破模型的知识时间限制。这个系统功能强大,你可以根据自己的需求,灵活地使用其中一部分或全部功能。希望这个教程能为你打开本地AI世界的一扇大门,祝你探索愉快!如果你在部署过程中遇到其他问题,或者发现了有趣的用法,欢迎随时分享与交流。

WGRWGFSSGR5的博客 1314

从‘查理复用’到TM52F1363:深入剖析5脚188数码管的驱动原理与避坑指南

本文深入解析了5脚188数码管的驱动原理,重点介绍了查理复用技术如何通过5个IO引脚高效驱动188段显示,并详细探讨了TM52F1363单片机的寄存器配置与驱动实现。文章还提供了常见问题的解决方案和性能优化技巧,帮助开发者避免实际应用中的各种陷阱。

weixin_29159441的博客 478

U盘 未知USB设备 设定地址失败 由于该设备有问题Windows 已将其停止(代码 43) 终极解决方案(做过系统装机盘而无法解决的必看)

U盘由于该设备有问题Windows 已将其停止(代码 43) 终极解决方案 我们在使用U盘的时候偶尔会碰到下列情况 一般是因为传输数据的过程中,死机或未响应直接断点或拔掉设备导致的,U盘再次插上之后出现设定地址失败。无法再次读取设备的数据。 解决方案: 首先请确认出现该情况不是因为你摔了U盘或接口处产生断裂这种物理损伤导致的!!! 首先请确认出现该情况不是因为你摔了U盘或接口处产生断裂这种物理损...

qq_39123987的博客 13万+

基于DeepSeek与RAGFlow的本地私有知识库搭建实战

检索增强生成(RAG)技术通过结合外部知识检索与大语言模型生成,有效解决了通用模型在特定领域知识问答中存在的准确性、时效性和数据安全问题。其核心原理是将文档向量化后存入向量数据库,在用户提问时进行相似度检索,并将相关片段作为上下文输入模型生成答案。这项技术的价值在于无需重新训练模型即可低成本接入私有数据,是实现企业级智能助手的关键路径。在工程实践中,开源工具如RAGFlow提供了文档解析、向量检索和问答流水线的完整解决方案,而DeepSeek等开源大模型则提供了本地部署的可行性。本文将以Docker容器化部

weixin_33937913的博客 367

RK3588更新NPU驱动的方法

想要在 RK3588 上跑一下 deepseek 的大模型,发现目前的内核提供的 NPU 驱动比较低,无法支持新的大模型,所以需要更新一下我们的 NPU 驱动本次更新的NPU驱动仅适用于RK3588和RK3676系列。

荻夜的博客 2151

2026 年 - AI 开发者必备:Agent 开源生态图谱

2026年AI开源项目全景概览 GitHub最新数据显示,AI领域呈现爆发式增长,Agent框架成为最热门赛道,AutoGPT以18.4万星位居榜首。个人AI助手OpenClaw以37.5万星成为现象级项目,RAG、推理部署等工具也蓬勃发展。Python仍是主导语言,微软、阿里等企业及开源社区贡献显著。技术趋势显示:多Agent协作、轻量化部署、结构化输出成为关键方向,AI正加速渗透编程、图像生成等各领域。

爱学习的程序员 1139

《UDS协议从入门到精通》系列——图解0x23:通过地址读取内存

如何读取ECU中指定内存地址的数据?图解UDS 0x23服务带你快速上手!!

车载系统攻城狮 2623

SFT看这一篇就够了!万字长文:监督微调(Supervised Fine-Tuning, SFT)技术全解析【从理论到实战】

大家好,我是大 F,深耕AI算法十余年,互联网大厂技术岗。分享AI算法干货、技术心得。欢迎关注,一起探索技术的无限可能!

大F子的智能小课 712

从模型部署到多智能体协作:大模型Agent实战开发全解析

大模型应用正从简单的API调用走向复杂的智能体(Agent)编排,这要求开发者理解工具调用、记忆管理、任务规划等核心机制。本文基于LangGraph、LangChain4j、Dify等主流框架,系统梳理了从本地模型部署(Ollama/vLLM)、RAG知识库构建、到LoRA微调与多智能体协作的完整技术链路。同时,结合销售智能体等真实项目案例,探讨了Function Calling、ReAct模式、上下文压缩等工程实践要点,为后端开发者及AI应用工程师提供一条清晰的学习路线。无论你是想入门大模型应用层,还是希

weixin_33912638的博客 530

Docker(八):Docker Compose(容器编排) 管理多容器应用—实战案例演示

🟢 Docker(八):Docker Compose(容器编排) 管理多容器应用—实战案例演示

✨ 欢迎来到【Seal ^_^ 的优快云博客】!✨ 6万+

一次接入多家AI:Arbigent支持OpenAI、Gemini、Claude与本地模型的配置指南

Arbigent 是一个面向 Android、iOS 与 Web 应用的 **AI Agent 测试框架**,用自然语言描述测试目标,即可让 AI 在真机或模拟器上自动完成操作。它的一大优势是「一套框架、多家 AI 自由切换」——既能接入 OpenAI、Gemini、Anthropic(Claude)等云端大模型,也能通过 OpenAI 兼容接口连接 Ollama 等本地模型。本文将带你一次性配好

gitblog_01013的博客 235

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

WeKnora知识库部署调优实战:RAG原理、混合检索与踩坑全记录

检索增强生成(RAG)是解决大模型私有知识问答的核心技术,它通过“先检索、再生成”的方式,让AI基于自有文档回答业务问题。WeKnora作为腾讯微信AI团队开源的RAG知识库平台,将文档解析、向量化、混合检索、重排与LLM问答封装为开箱即用的模块,相比Dify等平台更聚焦知识库场景,部署门槛低。从RAG流水线原理讲起,结合WeKnora的安装部署、文档解析调优、混合检索与重排配置,以及与企业内联网搜索Agent的集成实践,并对比Dify、RAGFlow、MaxKB等主流工具,最后总结踩坑记录与团队落地建议,

weixin_29058331的博客 358

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

Yuxi智能体平台:5分钟构建企业级AI知识中枢的完整指南

你是否曾面临这样的困境:企业知识分散在PDF、文档和数据库中,员工查询信息需要翻遍多个系统?或者想要构建智能客服,却苦于无法将知识库、图数据库和大模型有效整合?Yuxi智能体平台正是为解决这些问题而生——它将RAG检索、知识图谱与智能体编排融合为统一的多租户工作台,让企业知识真正可被检索、推理与交付。 你将通过本指南掌握从零部署到高级配置的完整流程,快速构建属于自己的企业级AI知识中枢。无论你是

gitblog_01007的博客 622

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

xiaozhi-esp32-server 后端服务部署与配置全指南:从 Docker 快速搭建到多模型自由切换

小智(xiaozhi-esp32-server)是一个为开源智能硬件项目 xiaozhi-esp32 提供后端服务的中控系统,基于人机共生智能理论研发,使用 Python、Java、Vue 实现,支持 MQTT+UDP 协议、WebSocket 协议、MCP 接入点、声纹识别与知识库。本指南以官方 README 与 [部署文档](https://link.gitcode.com/i/9f00517

gitblog_00215的博客 401

使用Ollama + RAGFlow在Windows本地部署

使用Ollama + RAGFlow在Windows本地部署,其中RAGFlow通过docker启动

m0_46365672的博客 1万+

RAGFlow Windows环境下本地部署全攻略

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

以为在机器学习领域与人工智能领域深耕多年的老牛 2万+

如何本地部署AI智能体平台,带你手搓一个AI Agent

智能体的必要性源于单一AI模型的局限性。无论是GPT还是其他先进的AI模型,它们在处理复杂问题时总会面临边界。当多个智能体协同工作时,不同模型的优势可以相互补充,形成更具灵活性和智能化的系统。智能体不仅封装了提示词和任务,还能通过多个模型编排突破单个模型的局限,通过分工协作共同解决复杂问题。多个大模型厂商已经开始推出基于智能体的AI助手,能够集成多个模型的优势来提供更具定制化和深度的服务。

2401_85328934的博客 1万+
上一篇: 揭秘 Ollama+DeepSeek-R1+RAGFlow 本地RAG专属知识库、Agent智能助手搭建秘籍!
下一篇: 基于DeepSeek-R1手搓AI Agent智能体(手把手,个人电脑也能玩哦)
Llama-Turbo
博客等级 码龄4年 9901粉丝 2022原创
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
 
 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