从事地质找矿行业、水工环地质勘查行业的电脑小白，电脑系统为Win11，有英伟达双显卡显卡共44gb，需要利用Ollama + DeepSeek + Docker + RAGFlow+Dify本地部署私人知识库加工作流，自动按模板自动生成报告，Ollama + DeepSeek + Docker + RAGFlow+Dify都必须安装在D盘的Personal AI文件夹内，且所有数据存储于D盘的Personal AI文件夹内，需要具体部署步骤及说明。

<think>我们正在部署一个基于Ollama+DeepSeek+Docker+RAGFlow+Dify的本地私人知识库和自动化报告生成系统。目标环境是Windows11，使用D盘下的"PersonalAI"文件夹作为工作目录。步骤分解：1.准备环境：Windows11，确保系统满足要求（如开启虚拟化）。2.安装DockerDesktopforWindows。3.部署Ollama：用于运行本地大模型，我们将使用DeepSeek模型。4.部署RAGFlow：一个基于深度文档理解的RAG引擎。5.部署Dify：一个开源的LLM应用开发平台，用于构建自动报告生成系统。6.整合：将Ollama作为模型提供商接入RAGFlow和Dify，并配置知识库和自动化流程。具体步骤：###1.准备工作-确保Windows11专业版或企业版（家庭版可能不支持Hyper-V，但可以使用WSL2）。-启用虚拟化：在BIOS/UEFI中开启虚拟化支持（VT-x/AMD-V）。-启用WSL（WindowsSubsystemforLinux）：以管理员身份打开PowerShell并运行：```powershellwsl--install```重启计算机。-设置工作目录：在D盘创建文件夹`D:\PersonalAI`，后续所有操作在此目录进行。###2.安装DockerDesktop-下载DockerDesktopforWindows：https://www.docker.com/products/docker-desktop/-安装时勾选“使用WSL2而不是Hyper-V”（推荐）。-安装完成后，启动DockerDesktop，在设置中确保WSL2引擎已启用。###3.部署Ollama-下载OllamaWindows版本：https://ollama.com/download-安装到默认位置（或指定目录），安装程序会自动将Ollama添加到系统服务并启动。-验证安装：打开PowerShell，运行：```powershellollama--version```-拉取DeepSeek模型（例如deepseek-coder:6.7b）：```powershellollamapulldeepseek-coder:6.7b```注意：模型较大，请确保网络畅通和足够磁盘空间（D盘空间足够）。-运行Ollama服务：安装后默认已运行，可通过`ollamaserve`启动（如果未运行）。###4.部署RAGFlowRAGFlow是一个基于深度文档理解的RAG引擎，支持多种格式的文档解析，并可以通过Docker部署。-在`D:\PersonalAI`下创建文件夹`ragflow`，并进入该目录。-创建`docker-compose.yml`文件，内容如下：```yamlversion:'3'services:ragflow:image:dockereasy/ragflow:latestcontainer_name:ragflowports:-"9380:9380"volumes:-./data:/app/data-./files:/app/filesenvironment:-RAGFLOW_API_KEY=your_api_key_here#设置一个安全的API密钥restart:always```-在`ragflow`目录下打开PowerShell，运行：```powershelldocker-composeup-d```-等待容器启动，然后访问http://localhost:9380进入RAGFlow管理界面。###5.部署DifyDify是一个开源的LLM应用开发平台，支持多种模型。-在`D:\PersonalAI`下创建文件夹`dify`，并进入该目录。-下载docker-compose文件：```powershellcurl-odocker-compose.ymlhttps://raw.githubusercontent.com/langgenius/dify/main/docker/docker-compose.yml```或者手动创建：从https://github.com/langgenius/dify/blob/main/docker/docker-compose.yml复制内容到`docker-compose.yml`。-修改`docker-compose.yml`中的环境变量，设置`OPENAI_API_KEY`为任意值（因为我们使用本地Ollama，但Dify要求必须设置，可忽略），并设置`MODEL_PROVIDER`为`ollama`，以及`OLLAMA_API_BASE_URL`为`http://host.docker.internal:11434`（这是Docker容器访问宿主机服务的特殊DNS名称）。示例修改（在`dify-api`和`dify-worker`服务的environment部分添加或修改）：```yamlenvironment:#...其他环境变量MODEL_PROVIDER:ollamaOLLAMA_API_BASE_URL:http://host.docker.internal:11434```注意：如果使用Ollama，Dify需要配置模型名称，在Dify的界面中创建模型时使用Ollama拉取的模型名称（如`deepseek-coder:6.7b`）。-启动Dify：```powershelldocker-composeup-d```-等待容器启动，然后访问http://localhost:3000进入Dify管理界面。###6.整合与配置-**RAGFlow配置**：在RAGFlow中创建知识库，上传文档。然后设置API，允许Dify通过RAGFlow的API访问知识库。-**Dify配置**：-登录Dify，进入“模型提供商”设置，添加Ollama作为模型提供商（在部署时已通过环境变量设置，这里可能需要检查模型）。-创建应用：选择“文本生成”或“自动报告生成”模板。-在应用的提示词编排中，可以调用RAGFlow的API来获取知识库内容，然后结合生成报告。-在Dify中设置工作流：使用知识库节点（通过HTTP请求节点调用RAGFlow的API）和LLM节点（使用Ollama模型）来构建自动报告生成流程。-**调用关系**：Dify应用流程：1.用户输入报告需求。2.Dify调用RAGFlow的API查询知识库，获取相关文档片段。3.Dify将查询结果和用户需求一起发送给Ollama模型（通过本地Ollama服务）生成报告。4.返回报告给用户。###7.验证系统-在RAGFlow中上传一些文档（如PDF、Word等）到知识库。-在Dify中创建应用，并配置工作流：-添加“HTTP请求”节点，配置RAGFlow的API地址（`http://host.docker.internal:9380/v1/retrieval`，具体路径参考RAGFlowAPI文档）和认证（使用APIKey）。-添加“LLM”节点，选择Ollama模型，编写提示词（如“根据以下知识库内容和用户需求，生成一份报告：...”）。-测试应用，输入问题，查看是否能够生成包含知识库内容的报告。注意事项：-所有服务都运行在本地，因此无需互联网即可使用（但初始下载镜像需要网络）。-确保Docker容器之间的网络互通。在DockerCompose中，同一Compose文件中的容器可以使用服务名通信。但不同Compose启动的容器，使用`host.docker.internal`来访问宿主机服务（如Ollama服务在宿主机运行，端口11434）。-性能：Ollama运行大模型需要足够的RAM和CPU，请确保硬件满足要求（例如DeepSeek6.7B模型需要至少16GB内存）。引用：[^1]:RAGFlow官方文档：https://github.com/infiniflow/ragflow/blob/main/README_zh.md[^2]:Dify官方文档：https://docs.dify.ai/[^3]:Ollama官方文档：https://ollama.com/如果遇到问题，请参考各项目的官方文档和社区支持。§§相关问题§§1.如何在Windows11上正确配置Docker和WSL2以支持Ollama、RAGFlow和Dify？2.RAGFlow如何解析不同格式的文档并建立索引？3.Dify中如何配置Ollama作为模型提供商并创建自动报告生成应用？4.如何优化本地部署的Ollama模型性能？5.如何扩展此系统以支持多用户或企业级应用？</think>### 在 Windows 11 上部署本地 AI 知识库系统的详细步骤 #### 一、环境准备 1. **启用 WSL2** - 以管理员身份运行 PowerShell： ```powershell wsl --install wsl --set-default-version 2 ``` - 重启计算机[^1] 2. **安装 Docker Desktop** - 下载安装包：https://www.docker.com/products/docker-desktop - 安装时勾选 **Use WSL 2 instead of Hyper-V** - 配置 Docker 存储路径： ```settings.json { "dockerPath": "D:\\Personal AI\\docker" } ``` 3. **创建项目目录** ```powershell mkdir D:\Personal AI cd D:\Personal AI mkdir ollama dify ragflow ``` --- #### 二、部署核心组件 ##### 1. Ollama 部署（本地模型服务） ```powershell # 拉取 DeepSeek 模型 ollama pull deepseek-coder:6.7b # 启动服务 (端口 11434) ollama serve ``` ##### 2. Docker 容器部署 **RAGFlow 配置** (`D:\Personal AI\ragflow\docker-compose.yml`)： ```yaml version: '3' services: ragflow: image: infiniflow/ragflow:latest ports: - "9380:9380" volumes: - ./data:/app/data environment: RAGFLOW_API_KEY: "your_secure_key" ``` **Dify 配置** (`D:\Personal AI\dify\docker-compose.yml`)： ```yaml version: '3' services: dify: image: langgenius/dify:latest ports: - "3000:3000" volumes: - ./data:/data environment: OLLAMA_API_BASE: "http://host.docker.internal:11434" ``` 启动服务： ```powershell cd D:\Personal AI\ragflow docker-compose up -d cd D:\Personal AI\dify docker-compose up -d ``` --- #### 三、系统集成配置 1. **连接 Ollama 与 Dify** - 访问 `http://localhost:3000` 进入 Dify - 在 **模型供应商** 中选择 Ollama - 填写模型名称：`deepseek-coder:6.7b` 2. **配置 RAGFlow 知识库** - 访问 `http://localhost:9380` - 上传文档 (PDF/Word/TXT) 到知识库 - 获取 API 密钥用于 Dify 集成 3. **Dify 自动化流程设置** ```python # 示例工作流：知识库查询 + 报告生成 def generate_report(query): # 调用 RAGFlow API 检索知识库 rag_response = requests.post( "http://localhost:9380/v1/retrieval", json={"query": query}, headers={"Authorization": "Bearer <API_KEY>"} ) # 使用 Ollama 生成报告 report = ollama.generate( model="deepseek-coder:6.7b", prompt=f"基于以下信息生成报告：{rag_response.data}" ) return report ``` --- #### 四、验证系统 1. **测试知识库检索** ```bash curl -X POST http://localhost:9380/v1/retrieval -H "Authorization: Bearer <KEY>" -d '{"query":"机器学习"}' ``` 2. **触发自动报告生成** 在 Dify 中创建工作流： - 输入：用户问题 - 处理节点：RAGFlow 检索 → Ollama 生成 - 输出：PDF 报告 --- #### 五、优化建议 1. **性能提升** - 在 `docker-compose.yml` 中设置资源限制： ```yaml deploy: resources: limits: cpus: '4.0' memory: 16G ``` 2. **安全加固** - 使用 HTTPS 反向代理 (Nginx) - 设置防火墙规则： ```powershell New-NetFirewallRule -DisplayName "Block AI Ports" -Direction Inbound -LocalPort 3000,9380,11434 -Action Block ``` --- ### 部署验证清单 | 组件 | 访问地址 | 默认端口 | 验证命令 | |------------|-------------------------|----------|------------------------------| | Ollama | http://localhost:11434 | 11434 | `curl http://localhost:11434/api/tags` | | RAGFlow | http://localhost:9380 | 9380 | 查看 `/v1/health` 端点 | | Dify | http://localhost:3000 | 3000 | 登录管理界面 | [^1]: Microsoft WSL 官方文档 https://learn.microsoft.com/zh-cn/windows/wsl/