windows上的RagFlow+ollama知识库本地部署

本文讲述了如何从0构建RAGFlow，其中包括在windows系统下的docker、WSL以及ubuntu的详细安装步骤，保证初学者一看就会，其中也包括很多在安装中遇到的问题，可以让读者少走很多弯路

【LLM】RAGFlow 本地安装&部署

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。

使用Ollama + RAGFlow在Windows本地部署，其中RAGFlow通过docker启动

windows DeepSeek RAGFlow构建本地知识库系统

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

等一起食用。

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

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。

在当前AI领域中，基于检索增强生成（RAG）的应用备受关注，而开源项目RAGFlow因其灵活性和功能性成为了一个热门选择。不过，由于其快速的版本迭代，可能会存在一些Bug，并且在实际项目落地时通常需要根据具体需求对源码进行定制化修改。遗憾的是，RAGFlow官方尚未提供针对Windows开发环境的详细文档。因此，在本地部署过程中，我整理了一份详细的记录，希望能够为有类似需求的开发者提供参考。

最近DeepSeek异常火爆，我也积极的体验，研究它的API和模型，确实很Nice，搞私活真的很香，搭建个人的知识库也很爽！今天继续给大家带来手把手的教学，本地化搭建DeepSeek+RAGFlow，构建个人知识库！掌握了本文的方法， 你也可以在骚气的搭建个人知识库！首先要说明下为啥要构建个人知识库呢？在线版DeepSeek需要将数据传输到云端服务器处理，存在日志留存的可能，用户需要信任服务商的隐私政策。

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。

RagFlow 本地安装详细步骤（Windows + Linux）

RagFlow本文档为开发环境搭建,切勿用于生产。

RAG（，检索增强生成）是一种结合了信息检索（Retrieval）和自然语言生成（Generation）的技术框架。它通过从外部知识库中检索相关信息，并将其作为上下文输入到（LLM）中，从而增强模型生成回答的准确性、相关性和可解释性。RAGFlow是一个基于深度文档理解的开源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能力，并得到来自各种复杂格式数据的充分引用的支持。

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。

在这篇博客中，我们将介绍如何在Ubuntu服务器上启动RAGFlow服务器。我们将确保系统配置满足RAGFlow的要求，然后通过Docker Compose来启动服务器。