从事地质找矿行业、水工环地质勘查行业、岩土工程勘察行业的电脑小白，电脑系统为Win11，有英伟达显卡2080ti双显卡显卡共44gb，电脑内存96GB，如何利用Ollama + DeepSeek + Docker + RAGFlow+Dify本地部署私人知识库加工作流，自动提取报告模板自动生成word报告，Ollama + DeepSeek + Docker （Docker Desktop需要汉化）+ RAGFlow+Dify都必须安装在D盘的单独文件夹内，且软件安装禁止安装在c盘，所有数据存储于D盘的特有文件夹内，需要具体部署步骤及操作说明。

<think>我们将在Windows 11系统上部署一个基于Ollama、DeepSeek、Docker、RAGFlow和Dify的私有知识库和工作流系统，用于自动化生成Word报告。所有软件和数据都将存储在D盘。 步骤概览： 1. 安装Docker Desktop for Windows并配置存储路径到D盘。 2. 安装Ollama并配置模型存储路径到D盘，下载DeepSeek模型。 3. 部署RAGFlow（使用Docker），配置数据存储到D盘。 4. 部署Dify（使用Docker），配置数据存储到D盘。 5. 配置RAGFlow与Dify的集成，以及Ollama作为推理引擎。 6. 创建知识库和工作流，实现报告自动生成。 详细步骤： ### 1. 安装Docker Desktop - 下载Docker Desktop for Windows: https://www.docker.com/products/docker-desktop/ - 安装时，确保勾选“使用WSL 2而不是Hyper-V”（如果系统支持WSL2）。 - 安装完成后，打开Docker设置，在“Resources” -> “Advanced”中，将Docker的存储路径修改为D盘（例如：`D:\docker`）[^1]。 - 同时，在“Resources” -> “WSL Integration”中，启用已安装的Linux发行版（如Ubuntu）。 ### 2. 安装Ollama - 下载Ollama Windows版本：https://ollama.com/download - 安装时，选择自定义安装路径，例如：`D:\ollama`。 - 安装完成后，打开命令提示符或PowerShell，设置环境变量，将模型存储路径指向D盘： ```cmd setx OLLAMA_MODELS "D:\ollama\models" ``` - 重启终端，然后下载DeepSeek模型（例如deepseek-coder）： ```cmd ollama run deepseek-coder:6.7b ``` 注意：模型较大，下载需要时间。 ### 3. 部署RAGFlow RAGFlow是一个基于深度文档理解的RAG引擎。我们将使用Docker来部署。 - 创建RAGFlow的配置文件和数据目录在D盘： ``` D:\ragflow ├── docker-compose.yml └── data (用于存储向量库和文件) ``` - 在`D:\ragflow`目录下创建`docker-compose.yml`文件，内容如下： ```yaml version: '3' services: ragflow: image: banyanlab/ragflow:latest container_name: ragflow ports: - "9380:9380" volumes: - D:\ragflow\data:/app/ragflow/data environment: - RAGFLOW_API_KEY=your_api_key # 设置一个API密钥 restart: always ``` - 打开终端（确保Docker已运行），进入`D:\ragflow`目录，运行： ```cmd docker-compose up -d ``` - 等待容器启动后，访问 http://localhost:9380 即可进入RAGFlow的Web界面。 ### 4. 部署Dify Dify是一个开源的LLM应用开发平台，支持工作流。 - 在D盘创建Dify的目录结构： ``` D:\dify ├── docker-compose.yml ├── data (存储数据库和配置文件) └── logs ``` - 在`D:\dify`目录下创建`docker-compose.yml`文件，使用官方提供的多容器编排文件（参考：https://github.com/langgenius/dify/blob/main/docker/docker-compose.yaml），但需要修改存储卷位置。 修改后的`docker-compose.yml`示例： ```yaml version: '3' services: api: image: langgenius/dify-api:latest container_name: dify-api ports: - "5001:5001" volumes: - D:\dify\data:/data - D:\dify\logs:/app/log environment: - FLASK_ENV=production - SQLALCHEMY_DATABASE_URI=sqlite:////data/dify.db?check_same_thread=false - LOGGING_DIR=/app/log - CONSOLE_LOG_MODE=plain restart: always worker: image: langgenius/dify-api:latest container_name: dify-worker command: celery -A app.celery worker -l INFO volumes: - D:\dify\data:/data - D:\dify\logs:/app/log environment: - FLASK_ENV=production - SQLALCHEMY_DATABASE_URI=sqlite:////data/dify.db?check_same_thread=false - LOGGING_DIR=/app/log - CONSOLE_LOG_MODE=plain restart: always web: image: langgenius/dify-web:latest container_name: dify-web ports: - "3000:3000" restart: always ``` - 在`D:\dify`目录下运行： ```cmd docker-compose up -d ``` - 等待容器启动后，访问 http://localhost:3000 即可进入Dify的Web界面。 ### 5. 配置集成 - **在Dify中配置Ollama作为模型提供商**： 在Dify的“设置”->“模型提供商”中，选择“自定义”（或Ollama），填写Ollama的API地址（默认在本地运行，地址为http://localhost:11434/api/generate），并设置模型名称（如deepseek-coder:6.7b）。 - **在Dify中配置RAGFlow**： 在Dify的“知识库”设置中，选择“添加知识库”，并填写RAGFlow的API地址（http://localhost:9380）和API密钥（在RAGFlow启动时设置的环境变量RAGFLOW_API_KEY）。 ### 6. 创建知识库和工作流 - **在RAGFlow中上传地质找矿、水工环勘查等行业的文档**，构建知识库。 - **在Dify中创建工作流**： - 使用“知识库检索”节点连接到RAGFlow的知识库。 - 使用“LLM”节点（使用Ollama的DeepSeek模型）生成报告内容。 - 添加“输出”节点，将生成的报告内容导出为Word格式（Dify支持导出为文本，然后可以通过模板生成Word，或者使用Python节点调用docx库生成Word文件）。 注意：Dify本身不直接生成Word文件，但可以通过自定义代码节点实现。例如，使用Python节点，利用`python-docx`库生成Word报告。 示例工作流： 1. 用户输入：报告主题和参数。 2. 知识库检索：从RAGFlow中检索相关地质资料。 3. LLM生成：根据检索结果，生成报告正文。 4. 格式化输出：将正文按照Word模板填充，生成.docx文件。 关于Word报告生成的代码节点示例（在Dify的Python节点中）： ```python from docx import Document from docx.shared import Inches def generate_word_report(context): # context是前面节点传递过来的数据，包含报告内容 doc = Document() doc.add_heading('地质报告', level=1) doc.add_paragraph(context['report_content']) # 保存到临时文件，并提供下载链接 output_path = "/tmp/report.docx" # 注意：在Docker容器中，需要挂载卷以持久化 doc.save(output_path) return {"file_path": output_path} ``` 注意：在Dify中使用自定义代码节点需要确保Dify的worker容器中安装了`python-docx`。可以通过修改Dify的worker镜像，或者在Dify的管理后台安装依赖（如果支持）。 ### 注意事项 - 所有服务的端口不要冲突。 - 数据备份：定期备份D盘下的`docker`、`ollama`、`ragflow`、`dify`目录。 - 性能要求：运行多个容器和LLM模型需要较高的内存和CPU，建议机器配置不低于16GB内存。 §§相关问题§§ 1. 如何验证Ollama模型是否成功加载？ 2. RAGFlow支持哪些类型的文档解析？ 3. Dify中如何调试工作流？ 4. 如何将生成的Word报告自动发送给用户？</think>### 在Win11中部署AI工具链实现地质报告自动化 以下是详细部署步骤，所有软件均安装在D盘（以`D:\AI_Toolchain`为例），数据存储在`D:\AI_Data`： #### 一、环境准备 1. **启用WSL2**（Windows子系统Linux）： ```powershell wsl --install -d Ubuntu wsl --set-default-version 2 ``` [^1] 2. **创建存储目录**： ```powershell mkdir D:\AI_Toolchain mkdir D:\AI_Data ``` #### 二、核心组件安装 ##### 1. Docker Desktop - 下载安装包：[https://www.docker.com/products/docker-desktop/](https://www.docker.com/products/docker-desktop/) - 安装时选择D盘路径：`D:\AI_Toolchain\Docker` - 配置存储路径： ```json // settings.json "data-root": "D:\\AI_Data\\docker" ``` ##### 2. Ollama - 下载Windows版：[https://ollama.com/download](https://ollama.com/download) - 安装到：`D:\AI_Toolchain\Ollama` - 配置环境变量： ```powershell [System.Environment]::SetEnvironmentVariable('OLLAMA_MODELS', 'D:\AI_Data\ollama\models', 'Machine') ``` - 下载DeepSeek模型： ```powershell ollama run deepseek-coder:6.7b ``` ##### 3. RAGFlow - 创建配置文件目录：`D:\AI_Data\ragflow` - 启动容器： ```powershell docker run -d --name ragflow \ -v D:\AI_Data\ragflow:/opt/ragflow/data \ -p 9380:9380 \ banyanlab/ragflow:latest ``` ##### 4. Dify - 创建数据目录：`D:\AI_Data\dify` - 启动服务： ```powershell docker run -d --name dify \ -v D:\AI_Data\dify:/data \ -p 3000:3000 \ langgenius/dify:latest ``` #### 三、地质知识库构建 1. **上传行业文档**： - 访问 http://localhost:9380 - 上传地质规范、矿区数据、岩土检测报告等PDF/DOCX文件 - 存储路径：`D:\AI_Data\geology_kb` 2. **配置RAG管道**： ```yaml # ragflow/config.yaml chunk_size: 512 vector_store: type: milvus host: milvus-standalone ``` #### 四、工作流集成 1. **Dify连接组件**： - Ollama API：`http://localhost:11434/api/generate` - RAGFlow API：`http://localhost:9380/v1/retrieval` 2. **创建报告生成工作流**： ```mermaid graph LR A[用户输入矿区编号] --> B(RAG检索地质数据) B --> C[DeepSeek分析地层结构] C --> D[生成Word报告模板] D --> E[填充岩土参数] E --> F[输出.docx文件] ``` 3. **Python生成Word示例**： ```python from docx import Document from dify_api import get_ai_response def generate_report(project_id): # 从Dify获取结构化数据 geology_data = get_ai_response(f"提取矿区{project_id}的地层数据") # 创建Word文档 doc = Document() doc.add_heading(f'{geology_data["矿区名称"]}地质报告', 0) doc.add_paragraph(f"岩土类型: {geology_data['主要岩层']}") doc.add_table(rows=geology_data['检测数据']) # 保存到D盘 doc.save(f"D:\\AI_Data\\reports\\{project_id}.docx") ``` #### 五、验证部署 1. 访问入口： - RAGFlow: http://localhost:9380 - Dify: http://localhost:3000 2. 测试命令： ```powershell curl http://localhost:11434/api/generate -d '{ "model": "deepseek-coder", "prompt": "生成页岩层的工程特性描述" }' ``` #### 六、数据备份方案 1. 设置定时任务备份D盘数据： ```powershell # backup_script.ps1 Compress-Archive -Path D:\AI_Data -DestinationPath D:\Backups\AI_Data_$(Get-Date -Format yyyyMMdd).zip ``` > **注意事项**： > 1. 确保Windows虚拟化已启用（BIOS设置） > 2. 地质行业文档需脱敏处理后再上传[^2] > 3. 首次运行需下载约15GB容器镜像 > 4. 建议配置32GB+内存满足多容器运行