Windows下使用docker部署ragflow踩坑注意事项

已于 2025-05-05 09:57:10 修改
阅读量318 收藏
点赞数 1
文章标签： docker 容器 运维
于 2025-05-03 00:15:17 首次发布
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/u014541802/article/details/147673862
版权

在这里插入图片描述
1、kernelCommandLine = “sysctl.vm.max_map_count=262144”

2、拉取镜像时，必须选择完整版，E:\deepseekRAGFlow\ragflow-main\ragflow-main\docker.env，将.ENV文件中的RAGFLOW_IMAGE=infiniflow/ragflow:v0.18.0-slim注释掉，前面加#。把# RAGFLOW_IMAGE=infiniflow/ragflow:v0.18.0
取消注释（需增加镜像源或者科学上网），或者把#RAGFLOW_IMAGE=
swr.cn-north-4.myhuaweicloud.com/infiniflow/ragflow:nightly取消注释都可
3、如果本机80端口有冲突，需修改yml配置文件，如80改为81端口，docker/docker-compose.yml（如果用gpu则是docker\docker-compose-gpu.yml）修改配置文件中80端口号为81或者8080之类的，记住是改前面那个，后面是容器内的端口，前面是映射在主机的端口，然后在浏览器打开localhost:81或者localhost:8080即可
在这里插入图片描述

君子攸行
关注
开源项目RAGFlow Docker部署安装教程
猿小白的博客
02-09 2567
RAGFlow 是一款基于深度文档理解构建的开源 RAG（Retrieval-Augmented Generation）引擎。RAGFlow可以为各种规模的企业及个人提供一套精简的 RAG工作流程，结合大语言模型（LLM）针对用户各类不同的复杂格式数据提供可靠的问答以及有理有据的引用。
RAGFlow(3):VScode端口转发在在本机浏览(比内网穿透好用)
所有专家都曾始于新手
12-20 711
docker会在内网服务器上的80端口部署，然而内网Ip是无法访问到的，所以无法看到页面。所以之前想到的解决方法是利用zerotier工具做内网穿透，将内网服务器的公网ip和本机ip组成一个局域网，把内网Ip变成了192.168xxx，这样再去访问。vscode端口转发将内网Ip和80端口，转发到了本机localhost和81端口（检测到80端口被占用，自动变成81端口）但是Vsconde的端口转发功能更方便一些（亲测）
RAGFlow 本地部署及 Dify 调用，让你的本地大模型更有深度（保证好使）
JovaZou的成长之路
03-29 2434
在人工智能飞速发展的今天，大模型的应用越来越广泛。然而，许多人在使用大模型时面临着各种限制，例如数据隐私问题、高昂的云服务费用等。本地部署大模型并结合有效的工具来提升其性能成为了一种极具吸引力的解决方案。本文将为大家详细介绍如何通过 RAGFlow 进行本地部署，并利用 Dify 进行调用，让你的本地大模型发挥出更强大的能力，为各种应用场景提供有力支持。
windows上部署本地知识库（RAG）ollama + docker + ragflow方案
weixin_43869605的博客
04-20 1175
在.wslconfig文件配置如下，解决运行内存不够的场景，ragflow最低要求16G（如果没有.wslconfig文件，可以win+r,输入%UserProfile%之后新建）有gpu的可以执行此命令：docker compose -f docker-compose-gpu.yml up -d。没有gpu的可以执行此命令：docker compose -f docker-compose.yml up -d。进入ragflow的docker目录：D:\自己的位置\ragflow\docker。
Windows 下本地 Docker RAGFlow 部署指南
分享一些感兴趣的技术方面
01-23 8552
Windows 下本地 Docker RAGFlow 部署指南
Windows安装docker并部署RAGFlow
weixin_43807749的博客
03-26 1985
在之前的博客中，笔者尝试利用ollama和anythingLLM建立了本地知识库，并在局域网内，提供接口给其他人使用。在本文中，笔者尝试利用另外一个工具RAGFlow，来搭建本地知识库。在大型语言模型（LLM）中，Embedding是指将离散的文本数据（如单词、短语或句子）转换为连续的数值向量的过程。​这些向量捕捉了文本的语义和语法特征。具体而言，Embedding将高维度的离散数据映射到低维度的连续向量空间中。​在这个空间中，语义相似的文本片段会被映射到彼此接近的位置。
Windows下（win10）本地部署Deepseek + Docker + RAGFlow
u012937840的博客
02-26 4586
环境变量设置完成之后，千万记得要重启电脑。不然安装Deepseek蒸馏模型后，使用ollama list命令获取不到信息。首先确认自己的电脑配置，有没有GPU，内存大小等。这里特别注意一下，如果下载失败 提示下面报错信息，应该是外网权限问题。如果不支持 可以通过 wsl --update 命令进行升级安装。wsl --version等命令可正常返回，说明已支持。4、安装模型成功后 会出现对话框，表示模型安装成功。4）开始安装Docker，按照默认配置安装即可。打开cmd工具，在命令行输入官网下载指令即可。
使用Ollama + RAGFlow在Windows本地部署
热门推荐
m0_46365672的博客
10-12 1万+
使用Ollama + RAGFlow在Windows本地部署，其中RAGFlow通过docker启动
搭建RAGFlow
sqlora的专栏
11-18 1万+
是一款基于深度文档理解构建的开源 RAG（Retrieval-Augmented Generation）引擎。RAGFlow 可以为各种规模的企业及个人提供一套精简的 RAG 工作流程，结合大语言模型（LLM）针对用户各类不同的复杂格式数据提供可靠的问答以及有理有据的引用。
【RAGFlow部署】基于Docker的RAGFlow配置指南：系统级服务与环境变量设置详解
04-24
使用场景及目标：①希望通过Docker快速部署RAGFlow环境的研发人员；②需要根据实际需求调整RAGFlow各项配置以适应不同应用场景的运维人员。; 阅读建议：在阅读过程中，建议重点关注.env和服务配置文件中的各项参数...
RagFlow 下载的Docker安装文件
08-23
部署RagFlow的五个Docker文件，包括mino,mysql,redis,ragflow,elasticsearch,五个docker文件，下载后执行：docker load -i [文件名]，安装docker文件即可使用。
在windows上使用Docker部署一个简易的web程序
一个学长的博客
07-23 2522
使用Docker部署了一个python Flask框架的简单的服务程序，详细记录了，Docker下载，镜像构建和访问服务的全过程。
docker利用docker-compose-gpu.yml启动RAGFLOW，文档解析出错【亲测已解决】
weixin_47782004的博客
03-02 3817
想要让RAGFLOW利用GPU资源跑起来，可以选择docker-compose-gpu.yml启动。（但是官网启动案例是×86平台的不是NVIDIA GPU的，docker-compose-gpu.yml又是第三方维护，所以稍有问题）下面是修改后的完整docker-compose-gpu.yml文件，可以直接复制。
在windows环境中利用docker-desk运行RAGFlow
abments的博客
05-11 4437
在windows环境中利用docker-desk运行RAGFlow
基于Windows11的RAGFlow安装方法简介
hsg77的专栏
03-04 1721
基于Windows11的RAGFlow安装方法简介
知识库搭建实战二十、Ollama+RagFlow 部署本地知识库
xiaoqi270620903的专栏
09-09 8974
通过以上步骤，你已经成功在 Windows 系统上通过 Docker 部署了一个本地化的大模型知识库，结合 RagFlow 和 Ollama，安装了通义千问2 7B 模型和中文 Embedding 模型，构建了一个支持中文问答的系统。这种设置适用于企业内部知识管理、自动化客服、智能问答等场景。
一文读懂RAGFlow：从 0 到 1教你搭建RAG知识库
python12345_的博客
02-26 6590
RAGFlow是一种融合了数据检索与生成式模型的新型系统架构，其核心思想在于将大规模检索系统与先进的生成式模型（如Transformer、GPT系列）相结合，从而在回答查询时既能利用海量数据的知识库，又能生成符合上下文语义的自然语言回复。该系统主要包含两个关键模块：数据检索模块和生成模块。数据检索模块负责在海量数据中快速定位相关信息，而生成模块则基于检索结果生成高质量的回答或文本内容。
【Chipyard】基于Docker部署 Chipyard开发环境
最新发布
06-04 485
【代码】《chipyard》docker 环境实安装。
windows下 docker部署ragflow
02-26
### 如何在 Windows 上使用 Docker 部署 RAGFlow 项目 #### 准备工作 为了成功部署 RAGFlow，在 Windows 系统上的准备工作至关重要。确保安装的是 Windows 10 或更高版本的操作系统，并已正确配置好 Docker Desktop for Windows 和 PowerShell。 #### 安装与配置 Git 及克隆仓库 通过 Git 工具获取最新的 Ragflow 源码是必要的前置操作之一： ```bash git clone https://github.com/infiniflow/ragflow.git cd ragflow ``` 此过程会下载整个 Ragflow 开发库到本地文件夹内[^2]。 #### 启动 Docker Compose 并运行容器 进入 `ragflow` 文件夹下的 `docker` 子目录，执行如下命令来启动并后台运行所有的服务组件: ```bash cd ragflow/docker docker compose -f docker-compose.yml up -d ``` 这一步骤将会依据定义好的 `docker-compose.yml` 文件自动拉取镜像、创建网络以及启动各个微服务实例[^1]。 #### 调整 Linux 参数以满足 Elasticsearch 的需求 由于 Elasticsearch 对内存映射区域大小有特定的要求，因此需要调整 WSL 中的 Linux 发行版的相关参数。具体做法是在 CMD 终端里依次键入下列指令完成设置： ```batch wsl --list wsl -d docker-desktop sysctl -w vm.max_map_count=262144 ``` 上述命令首先列出了可用的 WSL 版本列表，接着切换至目标环境 (`docker-desktop`) ，最后修改了虚拟机的最大映射计数(`vm.max_map_count`) 来确保 ES 正常运作[^4]。 #### 使用 Python 加载 JSON 数据作为示例应用逻辑的一部分 对于某些功能模块而言，可能涉及到读取外部资源文件的情况。下面给出了一段简单的 Python 代码片段用于加载位于当前路径下指定位置的一个 JSON 文件的内容： ```python import os import json current_file_path = os.path.dirname(os.path.abspath(__file__)) json_file_path = os.path.join(current_file_path, "res/good_sch.json") with open(json_file_path, "r", encoding="utf-8") as file: GOOD_SCH = json.load(file) ``` 这段脚本展示了如何定位应用程序根目录并将相对路径转换成绝对路径以便于跨平台兼容性处理；同时也体现了安全打开和解析 JSON 文档的方法[^5]。
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