Ragflow+DeepSeek构建私有知识库篇

最新推荐文章于 2025-05-10 12:37:14 发布
最新推荐文章于 2025-05-10 12:37:14 发布
阅读量763 收藏 19
点赞数 21
文章标签： 开源 LLM 人工智能 程序员 langchain RAG RAGFlow
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。
本文链接：https://blog.csdn.net/AAI666666/article/details/147769103
版权

前几天我搭建了一个基于RAGflow构建了一个知识库系统，分享给大家！

首先我们来了解一下什么是ragflow？

RAGFlow 是一个结合了RAG（Retrieval-Augmented Generation，检索增强生成）和 自动化工作流（Workflow）的智能知识库管理工具。它通过整合多源数据、自动化处理流程和智能生成能力，帮助用户高效构建和管理知识库。

系统架构图：

简单说就是一个智能资料库管家，能干三件事：
1.帮你把乱七八糟的文件（Word、PDF、表格、图片甚至语音）自动整理成知识库
2.像真人一样“理解”问题，从资料里找答案（比如你问“请假流程要几步？”，它直接告诉你步骤，而不是甩给你一堆文件）
3.自动更新资料（比如上传新文件后，不用手动调整，它自己就学进去了）

用这玩意儿做知识库，打工人能爽在哪？

  1. 不用当“人肉扫描仪”了
    以前：手动整理合同、扫描件、表格，复制粘贴到知识库，眼睛都看瞎。
    现在：直接把文件丢给它，自动识别文字、表格、图片里的内容（连潦草的手写签名都能OCR识别）。
  2. 找资料像问同事一样自然
    以前：在知识库里搜关键词，结果要么漏了，要么出来一堆无关内容。
    现在：直接问：“去年华东区销售额最高的产品是啥？” 它先翻财报表格，再读会议记录，最后用大白话告诉你答案。
  3. 客服不用背手册了
    以前：客户问“订单延迟怎么办？”，客服得翻10个文档找退货政策、物流流程、补偿规则…
    现在：RAGFlow自动从手册、邮件、公告里提取信息，生成直接能用的回复话术：“您好，您的订单预计延迟3天，可联系xxx申请运费补偿（依据《2023售后政策》第5条）”。
  4. 资料安全又省心
    权限控制：比如销售部只能看产品资料，财务部才能看报表。
    自动更新：上传新版本合同后，旧版本自动存档，不用怕用错文件。
  5. 连老板都能用
    老板问：“把最近3个月的市场分析报告总结成500字”，它5秒钟就能从20份PPT里抓重点，生成：“Q2市场增长主要来自…（数据源自6月5日《华东市场报告》第8页）”

一句话总结：
如果你受够了传统知识库的“搜不到、看不懂、管不动”，RAGFlow就像个24小时上班的AI图书管理员+学霸助理，把死文件变成活知识。

如何搭建

前提条件

  • CPU >= 4 核
  • RAM >= 16 GB
  • Disk >= 50 GB
  • Docker >= 24.0.0 & Docker Compose >= v2.26.1
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。

一、下载RagFlow

1.github地址：https://github.com/infiniflow/ragflow?tab=readme-ov-file

2.下载以后进行解压

在ragflow\docker.env 文件按如下图修改

启动RAGFlow Docker

按windows+r 打开终端程序，

cd ragflow 路径

启动RAGFlow Docker

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

输入之后 按回车键，如果有错误则是网络问题，检查Docker镜像配置地址。

完成后输入docker logs -f ragflow-server

如果看到如下信息 则启动成功：

二、Ollama安装

第一步：直奔 ollama 官网：https://ollama.com/，根据电脑系统下载对应版本。

第二步：安装 ollama,下载完后，一路 “下一步” 就搞定安装，轻松加愉快 。

第三步：配置环境变量，打开电脑设置-系统-关于，点击【高级系统设置】，按照下图进行配置：

第四步：安装大模型并运行

快捷键：win+r，打开命令窗口，安装deepseek r1模型，输入命令：

Plain Textollama pull deepseek-r1:32b

下载嵌入模型，主要做文本切片使用的

Pythonollama pull nomic-embed-text

需要下载很久，耐心等待即可。

安装完成之后，要查看是否安装成功，执行命令：

三、Docker安装

1.从官网下载docker安装包，地址：https://www.docker.com/products/docker-desktop/，根据你的系统选择对应的版本进行下载。

2.打开docker软件，点击设置，点击docker引擎，配置下载镜像：

因网络问题，国外docker镜像 无法拉取，需在Docker做些相关配置才可以。
打开安装好的Docker应用程序，如下图双击Docker Desktop
打开Docker 应用时 不需要注册，直接跳过。

在 “experimental”: false, 后加上如下Docker镜像地址，建议直接复制

“registry-mirrors”: [

“https://docker.m.daocloud.io/”,

“https://huecker.io/”,

“https://dockerhub.timeweb.cloud”,

“https://noohub.ru/”,

“https://dockerproxy.com”,

“https://docker.mirrors.ustc.edu.cn”,

“https://docker.nju.edu.cn”,

“https://xx4bwyg2.mirror.aliyuncs.com”,

“http://f1361db2.m.daocloud.io”,

“https://registry.docker-cn.com”,

“http://hub-mirror.c.163.com”

]

配置修改后，点击 Apply&restart 保存并重启Docker

四、使用ragflow创建知识库

1.打开浏览器，输入地址：http://localhost/knowledge，回车。

2.点击注册按钮进行注册，填写完信息后，点击继续按钮。

3.注册完后进行登录。

4.模型提供商

这个地方配置比较重要，我们需要利用Ollama框架添加两个需要的大模型：聊天模型DeepSeek和 embedding（嵌入向量） 模型nomic-embed-text。

5.本地Ollama 配置

Ollama 是一个轻量级的本地大模型运行框架，在设计上支持多种模型架构。他本身也是一个大语言模型。Ollama 由 Go 语言开发，利用 Go 语言高效的并发处理能力进行模型管理，能较好地调度系统资源

打开docker desktop 工具，点击终端输入ollama list就可以查询本地安装的所有模型。

6.配置DeepSeek模型

  • 模型类型: chat
  • 模型名称: deepseek-r1:32b
  • 基础 Url: 模型所在的主机IP:11434
  • 最大token数:131072

使用ollama show [模型名称]就可以查询模型的详细信息，包含最大token数。

7.创建知识库

8.知识库配置

9.配置嵌入模型和解析方法：word和pdf一般用General方法，其它默认即可，然后保存。

10.新增本地文件

11.同时上传三个文件

12.点击按钮进行解析文档，将文档通过嵌入模型分片保存到数据库中

13.解析成功！

五、配置聊天助手

1.点击“聊天”菜单，进入聊天页面，然后点击新建助理按钮，进行聊天配置

2.提示引擎配置，如下：

3.模型设置

4.点击新建聊天

5.进行聊天问答，deepseek是什么？他进行了回答，同时引用我的知识库问答内容。

引用内容溯源：

 如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

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70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，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

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LLM大模型报告合集

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、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

  • 目标：了解AI大模型的基本概念、发展历程和核心原理。

  • 内容：

    • L1.1 人工智能简述与大模型起源
    • L1.2 大模型与通用人工智能
    • L1.3 GPT模型的发展历程
    • L1.4 模型工程
    • L1.4.1 知识大模型
    • L1.4.2 生产大模型
    • L1.4.3 模型工程方法论
    • L1.4.4 模型工程实践
    • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

  • 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

  • 内容：

    • L2.1 API接口
    • L2.1.1 OpenAI API接口
    • L2.1.2 Python接口接入
    • L2.1.3 BOT工具类框架
    • L2.1.4 代码示例
    • L2.2 Prompt框架
    • L2.3 流水线工程
    • L2.4 总结与展望

阶段3：AI大模型应用架构实践

  • 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

  • 内容：

    • L3.1 Agent模型框架
    • L3.2 MetaGPT
    • L3.3 ChatGLM
    • L3.4 LLAMA
    • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

  • 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

  • 内容：

    • L4.1 模型私有化部署概述
    • L4.2 模型私有化部署的关键技术
    • L4.3 模型私有化部署的实施步骤
    • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

 

LLM教程
关注
【AI落地应用实战】DeepSeek + RagFlow + Ollama + 私有知识库 构建本地知识库系统实战指南
白洞，白色的明天在等着我们
02-21 1万+
本文将带您构建一个集大模型推理、智能检索、知识加工于一体的本地知识库系统，深度融合DeepSeek认知大模型的语义理解能力、RagFlow的文档智能处理能力以及Ollama的本地化部署优势。本文将以DeepSeek、RagFlow、Ollama为核心，手把手带你搭建一套支持GPU加速的私有知识库系统，助你快速实现AI技术的本地化部署与私有知识管理。
AI大模型落地应用实战：DeepSeek + RagFlow + Ollama + 私有知识库 构建本地知识库系统实战指南
python1234_的博客
03-26 1303
本文将带您构建一个集大模型推理、智能检索、知识加工于一体的本地知识库系统，深度融合DeepSeek认知大模型的语义理解能力、RagFlow的文档智能处理能力以及Ollama的本地化部署优势。： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
RAGFlow+DeepSeek搭建本地知识库
ytt0523_com的博客
03-29 991
将文本（World、PDF等等）中的自然语言转换成机械可以理解的高维向量，然后通过向量之间的匹配和比对去捕获到单词或是句子背后的语义信息。除了针对知识库的文本之外，还会针对用户输入的信息进行处理。说人话就是，Embedding模型会把信息转换成对应的身份证，然后会匹配两个身份证最相似的数据。
【AI落地应用实战】DeepSeek + RagFlow + 本地私有知识库 构建本地知识库系统实战指南
python12345_的博客
03-05 1806
大模型应用的关键，不只是构建好模型算法，更重要的是做好数据的处理、挖掘等问题。数据贯穿了大模型从预训练到产业落地的全过程。一定程度上，智能时代，而能力再强大的 LLM 也只能取代人部分学习和推理能力，无法取代存储和访问数据的能力；参数再多的 LLM 也不能仅凭基于通用数据的训练就能精确表达企业内部海量且丰富的数据。而处理这类数据，才是私有化场景的主要需求。
0基础玩deepseek+RAGFlow本地部署+搭建知识库
m0_58592891的博客
02-06 1万+
宝子们😎，还在为找资料东奔西走，被付费知识 “割韭菜” 而烦恼吗🧐？今天就给大家分享超实用的技术干货 ——DeepSeek 和 RAGFlow 本地部署，再手把手教你搭建专属知识库📚，让知识管理和获取变得轻松又高效，而且 0 基础也能轻松上手！宝子们😎，还在为找资料东奔西走，被付费知识 “割韭菜” 而烦恼吗🧐？今天就给大家分享超实用的技术干货 ——DeepSeek 和 RAGFlow 本地部署，再手把手教你搭建专属知识库📚，让知识管理和获取变得轻松又高效，而且 0 基础也能轻松上手！1、安装。
【AI大模型】Ollama部署本地大模型DeepSeek-R1，交互界面Open-WebUI，RagFlow构建私有知识库
热门推荐
专注上位机开发、机器视觉、机器学习、嵌入式软硬件开发
02-11 6万+
DeepSeek官网DeepSeek（深度求索）是一家专注于实现通用人工智能（AGI）的中国科技公司，致力于通过技术探索与创新，推动智能技术的广泛应用。Ollama 是一个强大的工具，旨在简化大型语言模型的部署和推理过程。它通过模型压缩和优化技术，使得在本地或边缘设备上运行 AI 模型变得高效且易于管理。无论是开发者、研究人员还是企业用户，Ollama 都能提供灵活和支持，满足多种应用场景的需求。
windows DeepSeek RAGFlow构建本地知识库系统
m0_71071763的博客
03-03 1629
windows DeepSeek RAGFlow构建本地知识库系统
硬核技术组合！用 DeepSeek R1、Ollama、Docker、RAGFlow 打造专属本地知识库
weixin_66401877的博客
02-19 8437
本地部署DeepSeek R1 + Ollama + RAGFlow构建个人知识库，通过将数据完全存储在本地硬盘，彻底杜绝隐私泄露风险，规避云端服务不稳定导致的延迟或中断问题；借助RAGFlow的自定义知识库能力，可精准解析专业文档（如法律、医疗资料），突破通用大模型的领域局限，实现高效检索与智能问答，打造安全、稳定且持续进化的专属知识中枢。
隐私优先：DeepSeek+RAGFlow本地化部署，手把手构建个人知识库
Allenzyg的博客
03-07 3312
检索（Retrieval）：当用户提出问题时，系统会从外部的知识库中检索出与用户输入相关的内容。准备外部知识库：外部知识库可能来自本地的文件、搜索引擎结果、API 等等。这样，RAG 不仅依赖于模型本身的内在的、通过训练得到的知识，还能实时调用外部的信息进行补充。我们要构建的就是一个基于本地文件的外部知识库；通过 embedding 模型，对知识库文件进行解析：文本是由自然语言组成的，这种格式不利于机器直接计算相似度。
RAGFlow+deepseek
02-18
DeepSeek是一个基于Dify构建的本地知识库解决方案，支持通过Ollama来安装和管理文本嵌入模型。这使得用户能够在私有环境中部署先进的自然语言处理能力[^1]。 #### FastGPT/RagFlow简介 FastGPT/RagFlow专为企业级...
DEEP SEEK 本地部署（Ollama + ChatBox）+ 私有知识库（cherry studio）教程
02-06
内容概要：本文档详细介绍了 DEEP SEEK 的本地部署及其与私有知识库整合的具体步骤。主要包括两大部分：Ollama 平台的使用方法和 DeepSeek R1 模型的安装指导。Ollama 是一种能够便捷部署深度学习模型（尤其是大型...
ragflow+deepseek
02-09
为了更好地理解这些工具的实际应用场景，下面给出一段简单的 Python 代码片段，展示了如何集成 RagFlow 和 DeepSeek-R1 来实现一个基本的功能——查询本地知识库内的信息。 ```python from transformers import ...
ubuntu22.04安装RAGFlow配合DeepSeek搭建本地知识库
BY_xiaopeng的博客
03-07 1439
RAGFlow 是一个基于对文档的深入理解的开源 RAG（检索增强生成）引擎。当与 LLM 集成时，它能够提供真实的问答功能，并以来自各种复杂格式数据的有根据的引用为后盾。
【开源】Python打造高效剪贴板历史管理器：实现跨平台生产力工具
白泽的博客
05-08 1470
在日常工作和编程中，剪贴板是我们使用最频繁的功能之一。但Windows自带的剪贴板只能保存最近一次的内容，当我们需要回溯之前复制过的内容时，就显得力不从心。实时监控剪贴板变化，自动保存历史记录支持快捷键快速粘贴历史内容（Ctrl+D+数字）美观的GUI界面，支持多种主题切换系统托盘运行，不占用任务栏空间历史记录持久化保存，重启不丢失内容搜索和分类管理功能这个工具特别适合程序员、文字工作者和需要频繁复制粘贴的用户群体，能显著提高工作效率。跨平台。
企业级AI革命！私有化部署开源大模型：数据安全+自主可控，打造专属智能引擎
Vx18664956126的博客
05-07 409
私有化部署开源大模型强势破局——将顶尖AI能力“装进”企业内网，数据0外流，模型随心改，成本直降60%！1️⃣ 选型适配：根据算力资源（GPU/CPU）、数据规模推荐模型架构（7B/13B/70B）。2️⃣ 领域微调：注入企业知识库、业务文档，训练专属模型，支持LoRA高效微调。AI大模型浪潮席卷全球，但企业面临两大痛点：数据隐私风险高、公有云服务难定制！数据安全 数据上传第三方，合规风险高 ✅ 数据全程本地，100%自主掌控。长期成本 按调用量付费，长期成本不可控 ✅ 一次投入，复用无上限。
开源数字人框架 AWESOME - DIGITAL - HUMAN：技术革新与行业标杆价值剖析
zhz5214的博客
05-09 1171
AWESOME - DIGITAL - HUMAN 项目通过降低技术门槛和模块化设计，推动了数字人技术的普及和行业民主化。该项目集成了ASR、LLM、TTS等关键技术，支持多模态交互，并深度优化了Live2D技术，提升了数字人的交互体验。与商业平台和开源框架相比，AWESOME - DIGITAL - HUMAN 在开发成本、定制化能力和技术迭代速度上具有显著优势。尽管面临社区规模小、商业应用案例不足等挑战，项目未来计划通过生态合作、引入先进技术和拓展应用场景来持续发展。总体而言，AWESOME - DIG
【许可证】Open Source Licenses
最新发布
励志小妹的小窝
05-10 339
长期更新开源许可证（Open Source Licenses）有很多种，每种都有不同的授权和限制，适用于不同目的。
Redis8.0全新亮相，开启开源新时代，内置全新数据结构...
u011134780的博客
05-07 731
作为全球最受欢迎的开源内存数据库，Redis凭借其高性能、灵活的数据结构和丰富的功能，成为现代应用中缓存、会话存储、实时分析等场景的核心组件。Redis 8.0 的发布标志着其从“内存数据库”向“实时数据智能平台”的跨越式演进，为 AIoT、实时分析等新兴领域提供了基础设施级支持。‌（由 Redis 创始人 antirez 设计），专为矢量数据优化，可直接处理机器学习模型的向量化结果，为 AI 推理、相似性搜索等场景提供原生支持。内存分配策略，极端负载下内存碎片率降低 15%，长期运行稳定性显著提升。
Crawl4AI：高效的开源 Python 网页爬取与数据提取库
qifengle2014的博客
05-08 237
Crawl4AI：高效的开源 Python 网页爬取与数据提取库
评论
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