| 编辑推荐: |
本文主要介绍了DeepSeek+Ragflow搭建个人知识库相关内容。希望对你的学习有帮助。
本文来自于微信公众号coderllch ，由火龙果软件Linda编辑，推荐。 |
|
先说体验感受，利用参数量小的模型借助RAGFlow搭建知识库，有一点点用，但是不多。要想发挥实际作用，对知识库数据的维护需要花很多心思。
一、安装Docker Desktop
由于Docker依赖linux环境，win10以上电脑可以使用wsl来安装linux环境。
什么是WSL？WSL（Windows Subsystem for Linux）是微软开发的一项技术，允许用户在Windows系统中直接运行完整的Linux环境，无需虚拟机。通过操作系统级虚拟化，WSL将Linux子系统无缝嵌入Windows，提供原生Linux命令行工具、软件包管理器及应用程序支持。它具有轻量化、文件系统集成、良好的交互性及开发效率提升等优点，消除了Windows与Linux之间的隔阂，尤其适合开发者和需在Windows平台上使用Linux工具的用户。
1.启用window子系统及虚拟化
2.Docker Desktop配置
下载地址：https://www.docker.com/
|
下载完成后，打开安装包一直下一步等待安装结束即可。
提示：因为安装完成后镜像很大，默认会安装在C盘，建议更改到其他空闲盘。
打开docker desktop，会自动弹出cmd窗口，启动wsl下载linux，否则无法运行docker。这一步耐心等待即可。安装完成后，可以在我的电脑查看->linux。
3.Docker Desktop配置
最新可用的国内镜像源可以百度找找。这里提供几个当前还能用的镜像源。
"registry-mirrors": [
"https://docker-0.unsee.tech",
"https://docker.1panel.live",
"https://docker.tbedu.top",
"https://cr.laoyou.ip-ddns.com",
"https://dockerpull.cn",
"https://hub.fast360.xyz"
]
二、部署Ragflow
https://kkgithub.com/infiniflow/ragflow/blob/main/README_zh.md
|
软硬件条件：
CPU >= 4 核
RAM >= 16 GB
Disk >= 50 GB
Docker >= 24.0.0 & Docker Compose >= v2.26.1
1.拉取ragflow
$ git clone https://github.com/infiniflow/ragflow.git
|
这个过程会比较慢，可以用码云转一下github仓库，拉取速度会快很多。
2.进入docker文件夹，利用提前编译好的Docker镜像启动服务器
由于我们需要用到embedding模型，默认的ragflow镜像不自带embedding，这里需要特别注意要手动修改配置。
在拉取的ragflow仓库路径下的docker/.env 文件内的RAGFLOW_IMAGE变量，通过设置RAGFLOW_IMAGE=infiniflow/ragflow:v0.16.0来下载
RAGFlow镜像的 v0.16.0 完整发行版。 在ragflow文件夹下打开cmd窗口运行以下命令：
docker compose -f docker/docker-compose.yml up -d
|
安装ragflow需要的docker镜像，拉取失败说明docker镜像源有问题，需要自行百度查询可用镜像源重新拉取。
如果你遇到 Docker 镜像拉不下来的问题，可以在 docker/.env 文件内根据变量 RAGFLOW_IMAGE
的注释提示选择华为云或者阿里云的相应镜像。
华为云镜像名：swr.cn-north-4.myhuaweicloud.com/infiniflow/ragflow
阿里云镜像名：registry.cn-hangzhou.aliyuncs.com/infiniflow/ragflow
|
拉取成功后，在docker desktop里面就能看到镜像源。
3.在你的浏览器中输入你的服务器对应的IP地址并登录RAGFlow
默认打开ragflow地址http://localhost:80
三、Ragflow使用
登录ragflow，根据图片内容进行配置。需要注意基础Url需要改为ip:端口号，ollama默认端口11434
1.知识库配置
创建知识库，这里使用一份一千条中医问答数据作为测试。
如图进行创建知识库。
嵌入模型选择默认的即可，解析方法比较重要，因为使用的数据是问答形式，所以选择Q&A类型。解析方法有很多种，网页中都有解释，选择合适的解析方法能够让知识库的回答更加准确。
点击新增文件，将中医问诊数据集进行进行上传，等待系统解析完成。这个过程会比较慢，错误的解析方法也会导致解析失败。
2.创建中医问诊聊天助手
聊天模块选择新建助理，知识库选择上一步新建的中医问诊。
模型设置中选择ollama已下载模型，我选择deepseek-r1:32b模型进行测试。每个参数在网站里都有解释，这里自由度设置为精确，尽可能让大模型从知识库里回答问题，减少自由发挥。
点击确定，新建聊天。测试一下看看效果吧。
效果粗略看还可以，聊天助手还可以标注出知识库的来源。
如果能够将知识库数据整合处理好，体验效果还是不错的，这只是32b的模型，如果人人都能部署的671b呢？真是对未来充满期待。
3.多测试几个知识库，一起看看效果吧
天龙八部小说：
问题1：
问题2：
儿科问诊数据一千条：
心理学数据一万条：
四、最后
利用Deepseek+Ragflow搭建的知识库过程还是比较简单，正常跟着流程走不容易出错。如果投喂的数据经过整合处理，那么反馈的结果还是有一定的实际意义。
当前个人能部署的模型参数太少，尚处于体验阶段。相信不久的将来，大模型不断发展，个人能部署性能更强大的模型。 | 
