本地知识库配置指南

1. 准备工作

目标

通过本地部署 DeepSeek 和 RAGFlow，结合 Embedding 模型构建个人知识库

工具需求

• ollama（本地运行和管理大语言模型）
• Docker（部署 RAGFlow）
• DeepSeek 模型
• Embedding 模型
• RAGFlow 源代码

---

2. 下载并配置 ollama

下载 ollama 平台

• 官网地址：ollama
• 支持 Windows/Linux/macOS 系统

配置环境变量

# 设置访问地址
export OLLAMA_HOST=0.0.0.0:11434

# 自定义模型存储路径（可选）


export OLLAMA_MODELS=D:\models

• 需重启系统生效配置
• 防火墙需放行 11434 端口

下载 DeepSeek 模型

ollama run deepseek-r1:32b

3. 下载并部署 RAGFlow

-获取源代码

GitHub 仓库示例：https://github.com/infiniflow/ragflow

• 安装 Docker

官网下载：https://www.docker.com/

• 拉取镜像

docker pull ragflow:latest

• 启动容器

 docker run -d -p 8080:8080 --name ragflow-container ragflow:latest

4. 配置知识库

4.1 模型配置

Chat 模型配置

• 在 RAGFlow “模型提供商” 添加 DeepSeek
• 选择 deepseek 作为 Chat 模型

Embedding 模型配置

• 使用系统自带或单独部署模型
• 支持多种开源 Embedding 模型

4.2 知识库构建

1. 创建新知识库
2. 上传文件（支持 PDF/Word/TXT 等格式）
3. 文件自动解析流程：
   • 文段切分处理
   • Embedding 模型生成向量指纹
   • 向量索引存储

Prompt 示例：
“根据我的知识库内容回答问题。如果知识库中没有相关信息，请明确告知。”

工作流程：

1. 用户输入 → 向量化
2. 向量匹配知识库片段
3. 上下文扩展 + 问题整合
4. DeepSeek 生成最终回答

5. 在线快速搭建方案（可选）

5.1 部署流程

1. 使用 Docker 部署 RAGFlow
2. 配置在线模型：
   • Chat 模型：GPT-4/Claude 等
   • Embedding 模型：OpenAI Embedding 等
3. 上传文件构建知识库