ragflow本地化部署 mac M1

### RAGFlow 本地化部署 Mac M1 操作指南 #### 前提条件 为了成功在 Mac M1 上进行 RAGFlow 的本地化部署，需确保已安装以下依赖项： - Python (建议版本 >=3.8) - Docker Desktop for Mac (支持 Apple Silicon)[^1] - Langchain 及其相关库[^2] 以下是具体的配置过程： --- #### 安装 Docker Desktop 并启用 Rosetta 支持 由于部分容器镜像可能尚未完全适配 ARM 架构，在首次启动 Docker Desktop 时应开启 **Rosetta** 支持。这可以通过以下方式实现： 1. 下载并安装最新版的 Docker Desktop for Mac。 2. 启动应用后进入偏好设置 -> Features in development 中勾选 “Use Intel-based binaries via Rosetta when needed”。 此步骤有助于兼容基于 x86_64 的二进制文件。 ```bash docker --version ``` 验证命令输出确认 Docker 是否正常工作。 --- #### 配置 Deepseek R1 环境 按照官方文档说明下载对应平台上的预构建模型权重以及必要的脚本文件。对于 macOS 用户来说，默认情况下会优先尝试拉取适合苹果芯片架构优化后的资源包；但如果遇到任何加载失败的情况，则可以手动指定目标路径来切换回通用版本。 创建一个新的目录用于存储项目所需的所有组件，并克隆仓库地址至其中： ```bash git clone https://github.com/your-repo/RAGFlow.git ragflow_project cd ragflow_project/ pip install -r requirements.txt ``` 上述 `requirements.txt` 文件应当包含 langchain 和其他第三方扩展插件定义列表。 --- #### 设置 Langchain 连接逻辑 编辑主入口 python 脚本（通常命名为 main.py 或 app.py），引入适当的数据源读写接口函数以适应特定业务场景需求。例如通过 Elasticsearch 实现向量数据库检索功能的话，可参照如下片段调整参数设定： ```python from langchain.vectorstores import ElasticVectorSearch from langchain.embeddings.openai import OpenAIEmbeddings ELASTIC_URL = "http://localhost:9200" INDEX_NAME = "rag_index" embeddings_model = OpenAIEmbeddings() vectorstore = ElasticVectorSearch( elasticsearch_url=ELASTIC_URL, index_name=INDEX_NAME, embedding_function=embeddings_model.embed_query ) ``` 注意替换实际使用的搜索引擎实例链接与索引名称字段值。 --- #### 测试运行效果 最后一步便是执行测试用例观察整个流程能否顺利运转起来。假设一切准备就绪之后，可以直接调用内置 API 方法发起查询请求演示对话交互能力: ```python query_text = "What is the capital of France?" response = vectorstore.similarity_search(query=query_text, k=3) print(response) ``` 以上代码段展示了如何利用相似度匹配算法找到最贴近提问意图的知识条目集合。 --- #### 总结 综上所述，借助于 Deepseek 提供的基础框架再加上 langchain 工具链的支持，即使是在新型号硬件设备比如搭载 m1 处理器系列 macbook pro 笔记本电脑上面也能够顺利完成定制型大语言模型服务端搭建作业。 ---