基于ollama与ragflow实现本地知识库

1、最终效果

实现了基于本地文档内容的对话问答

2、环境部署

我的机器配置是ubuntu20+4090d+i7，没有这么高也是可以跑的

2.1安装ollama

有了ollama，就可以在本地跑一个大模型了。不联网也可以运行，实现了绝对隐私和token自由。

ollama官网：https://ollama.com/download   根据自己系统下载即可。

终端输入ollama不报错说明安装成功了。

然后可以在ollama模型广场下载合适的模型，https://ollama.com/search ，模型太大本地可能带不动，太小可能性能不好，需要权衡。建议先下载个1-10G的试水。

这里有很多主流模型，deepseek、qwen、mistral、谷歌的gemma、meta的llama等等。

以deepseek-r1为例，8b参数量的模型为4.9GB，只需要拷贝右边的命令到终端就可以自动下载了，而且支持断网续传。如果太慢需要挂代理，虚拟机的话可以用clash的7890端口作为代理转发端口。

ollama run deepseek-r1:8b

然后输入 ollama list  输出里应该包含deepseek，就说明部署成功了

然后再运行一遍 ollama run deepseek-r1:8b 就能直接在终端对话了。如果回复速度比较慢，就需要考虑还一个更小的模型。

2.2 安装ragflow

官方建议配置如下：

ragflow官方仓库：  https://github.com/infiniflow/ragflow/blob/main/README_zh.md

首先需要将仓库clone下来。

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

ragflow以来docker运行。所以环境中需要包含docker，此处不赘述。

由于ragflow默认下载轻量版本的镜像(v0.17.2-slim)，slim并不自带embedding模型。要么需要自己再部署一个embedding模型，要么调用在线embedding模型api。这里选择下载完整版本的ragflow，避免再次配置。

为了使得下载完整版镜像，需要修改配置文件。进入ragflow文件夹的docker，修改.env文件（如果没有看到.env需要开启文件系统的“显示隐藏文件”选项）

注释84行，取消注释87行，修改成上面的样子。

然后在docker文件夹中打开终端，输入以下代码就可以运行ragflow了。

docker compose -f docker-compose.yml up -d

如果报错，可以检查自己的80端口是否被占用，docker使用在运行。

然后就能直接通过浏览器访问localhost:80了，即ragflow的操作界面

3、ragflow配置（构建知识库）

在ragflow登录页注册一个root用户，进入模型提供商页面

3.1添加模型

找到ollama，点击添加模型

按照以上配置进行，模型名称一定是完整的模型名称，不能只输入deepseek，基础url就是本机ip加上11434(11434ollama的运行端口)，ip不能是127.0.0.1。最大token数就是模型输出的最大token数，由于是本地部署所以不需要api-key，r1属于chat模型。

点击系统模型设置，选择嵌入模型（完整版ragflow自带的）

3.2添加助理

然后就能在ragflow里自由的与ds聊天了，但是现在还没有外接知识库。

3.3构建知识库

新增知识库test后，参数默认即可。选择文档后，还需要点击解析才能被模型检索到。

选择知识库

3.4测试