《RAGFlow》本地部署-创建知识库

最新推荐文章于 2025-06-04 14:43:59 发布
最新推荐文章于 2025-06-04 14:43:59 发布
阅读量3.1k 收藏 15
点赞数 15
CC 4.0 BY-SA版权
分类专栏： 大模型入门到放弃 文章标签： 爬虫 人工智能 chatgpt ai 语言模型
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/2401_85592132/article/details/144399721

RAGFlow 是什么？

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。

它的官网也提供了试用的demo，地址是：https://demo.ragflow.io

在这里插入图片描述

我这个是创建了一个知识库的样子，大家如果第一次试用，是没有这个知识库的

本地部署

如果你想在Windows上部署RAGFlow，你要下载一个桌面版的docker，地址是：https://www.docker.com/products/docker-desktop/, 下载安装完在cmd里面敲docker,如果能看到下面的界面，就证明docker已经安装成功了

在这里插入图片描述

如果电脑安装了git，可以直接通过git把代码拉取下来

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

如果没有装git，可以直接到https://github.com/infiniflow/ragflow， 把代码下载下来

然后进入到docker文件夹，并启动项目

$ cd ragflow/docker
$ docker compose -f docker-compose.yml up -d

服务器启动成功后再次确认服务器状态

docker logs -f ragflow-server

出现以下界面提示说明服务器启动成功

     ____   ___    ______ ______ __               
    / __ \ /   |  / ____// ____// /____  _      __
   / /_/ // /| | / / __ / /_   / // __ \| | /| / /
  / _, _// ___ |/ /_/ // __/  / // /_/ /| |/ |/ / 
 /_/ |_|/_/  |_|\____//_/    /_/ \____/ |__/|__/  

 * Running on all addresses (0.0.0.0)
 * Running on http://127.0.0.1:9380
 * Running on http://x.x.x.x:9380

第一次启动时是这样的界面

如果打开http://127.0.0.1:9380 报404说明RAGFlow 可能并未完全启动成功

在你的浏览器中输入你的服务器对应的 IP 地址并登录 RAGFlow

在这里插入图片描述

注册一个账号就可以登录了

RAGFlow创建知识库

先来到个人中心，设置一下模型，我这里用的是OpenAI,将key填进去就可以了，当然也支持其他的模型，大家去申请相应的key就可以了

在这里插入图片描述

点击知识库，写一个名字，点击新增文件上传文件

在这里插入图片描述

接下来就可以聊天了，配置助理

在这里插入图片描述

接下来就可以进行测试了，我进行了测试，感觉效果还可以

知识库搭建实战二十、Ollama+RagFlow 部署本地知识库
xiaoqi270620903的专栏
09-09 9200
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。
本地部署 RAGFlow
engchina的专栏
06-08 7481
本地部署 RAGFlow
LLM之RAG实战（五十四）| 复杂文档处理RAG框架：Ragflow
最新发布
wshzd的博客
06-04 673
RAGFlow 是一种结合了检索增强（Retrieval-Augmented Generation，RAG）与流程控制（Flow）的人工智能技术架构。它通过检索外部知识库中的信息，结合自然语言生成技术，为用户提供更准确、更丰富的回答。同时，它还引入了流程控制机制，能够根据任务需求动态调整信息检索和生成的流程，从而更好地完成复杂的任务。RAGFlow 的核心优势在于将检索和生成相结合，打破了传统生成模型仅依赖内部参数进行文本生成的局限。
RagFlow本地开发环境部署
weixin_45041127的博客
09-28 5593
RagFlow本文档为开发环境搭建,切勿用于生产。
RagFlow的本地部署
wjj_fire的博客
02-07 1万+
RAGFlow 是一款开源的 RAG（Retrieval-Augmented Generation）引擎，可以用于高效处理信息，为多种场景提供智能解决方案，如本地知识库的构建、问答系统的搭建，大量文本信息的处理等。另外，当在UI界面中选择以下其他模型时，会自动从HuggingFace下载，如果不能连接HuggingFace，可以设置以下环境变量，从镜像网点下载；模型名称填写ollama中模型的名称，可以用ollama list命令查看已安装的模型。在添加了的模型中，会显示有ollama。
RagFlow本地部署使用
热门推荐
qq_43548590的博客
10-29 3万+
开源RAGFlow引擎：打造无幻觉、高精度的文档理解与生成体验RAGflow，这个新兴的开源RAG（Retrieval-Augmented Generation）引擎，正以其独特的深度文档理解能力，为大型语言模型的应用带来了革命性的变革。在处理PDF文件时，我们经常面临提取干净数据的挑战，而RAGFlow的出现，恰恰解决了这一问题，它能够提供准确无误且无幻觉的生成结果。
RAG 实践- Ollama+RagFlow 部署本地知识库
python123456_的博客
09-04 5757
本文我们介绍另一种实现方式：利用 Ollama+RagFlow 来实现，其中 Ollama 中使用的模型仍然是Qwen2我们再来回顾一下 RAG 常见的应用架构。
大模型系列17-RAGFlow搭建本地知识库
字节跳动 内推找我
01-01 1606
这里我们做的机器学习论文库，因此可以将“解析方法”从“General”调整为“Paper”模式，对论文进行解析。列出所有的模型，有两个Embedding模型以及一个qwen2:7b的模型。文件中，可以修改 端口号、ragflow的镜像版本等。参考写的安装open-webui的文章。将刚才添加的模型设置到系统默认配置中。新建一个论文助理，用于后续的聊天对话。ragflow使用的各种环境变量在。论文上传完毕后，执行论文内容的解析。论文解析过程，花了10几分钟。参考写的ollama的文档。
Deepseek+RAGFlow本地部署，搭建自己的知识库
weixin_49314853的博客
05-04 409
在模型提供商-待添加模型中，添加我们本地部署的deepseek-r1:1.5b（让RAMFlow能够访问到本机的Ollama里的deepseek-r1:1.5b）4，修改RAGFlow源代码里的环境配置（注释掉轻量版的模型，下载完整版的RAGFlow，包含embedding模型)10，聊天-新建助理，在提示引擎中可以让模型检索不到内容时根据自己的能力进行回答，token数。9，新增文件里上传材料，解析（将文件里的段落提取出来，进行embedding映射到高维向量）3，最终mysql镜像部分的配置如下。
PyTorch强化学习——PyTorch基础详解
AAI666666的博客
02-02 1739
我们将使用 PyTorch 作为实现强化学习算法的数值计算库。PyTorch 是 Facebook 开发的科学计算和机器学习库，张量 (Tensor) 是 PyTorch 中的核心数据结构，类似于 NumPy 中的 ndarray。
RAG实战：本地部署ragflow+ollama（linux）
ling913的专栏
01-03 1万+
Ollama+RAGFlow为例，应用RAG（Retrieval Augmented Generation，检索增强生成）构建本地知识库，其中 Ollama 中使用的模型是Qwen2
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 4007
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本地部署教程 ：多模态检索+动态生成，用AI重构企业知识生产力
SJJS_1的博客
04-15 2304
RagFlow是一款基于检索增强生成（RAG）技术的智能工作流平台，通过整合多源数据检索与生成式AI模型，优化企业知识管理、智能问答及自动化报告生成，核心功能包括：多源数据融合：支持数据库、文档库、API接口的实时检索，兼容文本、图像、音视频等多模态数据；动态知识增强：生成内容时自动关联最新业务数据，避免模型“幻觉”，支持自定义规则链（如财务报告合规校验）；低代码流程编排：可视化设计工作流（如“客户咨询→知识库检索→生成回复”），无缝集成钉钉、企业微信等平台。
Windows 下本地 Docker RAGFlow 部署指南
分享一些感兴趣的技术方面
01-23 8796
Windows 下本地 Docker RAGFlow 部署指南
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 3175
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。
deepseek+RAGFLOW本地部署
Mike的博客
03-06 1402
Ollama官网：https://ollama.com/打开官网，然后点击下载，之后安装到本地。
Win 11本地搭建部署RagFlow
qq_33290485的博客
07-27 6211
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。
ragflow本地部署配置 知识库
03-21
### RAGFlow 本地部署教程及知识库配置指南 #### 1. 环境准备 为了成功部署 RAGFlow 并配置知识库，需要先完成必要的环境准备工作。这包括安装 Python、设置虚拟环境以及安装依赖项。推荐使用 Python 版本为 3.8 或更高版本[^2]。 ```bash # 创建并激活虚拟环境 python -m venv ragflow_env source ragflow_env/bin/activate # 安装 pip 工具和其他基础依赖 pip install --upgrade pip setuptools wheel ``` #### 2. 初始化 RagFlow 项目 初始化 RagFlow 项目是整个流程中的重要一步。通过克隆官方仓库或下载预编译包，可以快速启动开发环境。以下是具体操作： ```bash git clone https://github.com/RagFlow/ragflow.git cd ragflow pip install -r requirements.txt ``` 此过程会自动拉取所需的第三方库文件，并将其安装到当前环境中[^1]。 #### 3. 数据导入与索引创建 RAGFlow 的核心功能之一是对文档数据进行处理和存储。为此，需将目标资料上传至指定目录，并调用脚本来生成向量数据库索引。 ```python from ragflow import DocumentLoader, VectorStore loader = DocumentLoader(input_dir="path/to/documents") docs = loader.load() vector_store = VectorStore() vector_store.add_documents(docs) ``` 上述代码片段展示了如何加载文档集合并将它们嵌入到矢量空间中以便后续检索使用。 #### 4. GPU 加速支持 如果希望利用硬件资源提升性能，则可进一步调整参数以启用 NVIDIA CUDA 支持等功能特性。确保显卡驱动程序已更新至最新状态，并验证 PyTorch 是否能够检测到可用设备。 ```python import torch if torch.cuda.is_available(): device = "cuda" else: device = "cpu" print(f"Using {device} as computation backend.") ``` 对于大规模查询场景而言，这种优化措施尤为关键。 #### 5. 测试运行 最后，在确认所有组件均已正确配置之后，即可尝试发起一些简单的请求来检验系统的整体表现情况。 ```bash uvicorn app.main:app --reload ``` 访问 `http://localhost:8000/docs` 即可查看 API 文档界面。 ---
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