这次带来 RAG 的小白应用教程：介绍如何通过 ragflow 框架把 DeepSeek 接入到自己的个人知识库中，当然其他模型也是类似，可以自由搭配。

先看效果：

ragflow 简介：

RAGFlow 是一款基于深度文档理解的开源检索增强生成（Retrieval-Augmented Generation，RAG）引擎，旨在通过结合信息检索和生成式 AI 的优势，解决现有技术在数据处理和生成答案方面的挑战。

作用

RAGFlow 广泛应用于需要动态生成内容且依赖外部知识库的场景，例如：

• 智能客服：实时从企业知识库中检索相关信息，为客户提供准确、个性化的解答。
• 文档生成与报告分析：从多个数据源中检索信息并生成结构化的文档或摘要，适合大规模内容管理。
• 辅助诊断：医疗专业人员可以通过 RAGFlow 快速查找相关医学文献和病例资料，为诊断和治疗提供参考。
• 文献综述：帮助学生和研究人员快速定位和分析相关的学术文献，高效完成文献综述的撰写。
• 新闻报道与投资分析：记者和金融机构可以利用 RAGFlow 整合和提炼大量素材，生成新闻稿件或投资分析报告。

优势

1. 深度文档理解：能够从复杂格式的非结构化数据中精准提取知识，支持多种文档格式（如 Word、PPT、Excel、PDF 等），并自动识别文档布局。
2. 降低幻觉风险：提供清晰的关键引用来源，支持文本分块的可视化和人工干预，确保生成答案有据可依。
3. 兼容异构数据源：无缝处理多种数据格式，整合不同来源的数据，为用户提供一站式的数据处理和问答体验。
4. 自动化工作流：支持从个人应用到超大型企业的各类生态系统，提供易用的 API，便于快速集成到各类业务系统。
5. 高效性与成本优化：通过动态优化流程，减少不必要的计算和查询次数，降低运行成本。
6. 精准性与可靠性：检索和生成环节相辅相成，确保最终结果的准确性和可靠性。

RAGFlow 的这些特性和优势使其在信息检索和内容生成领域具有广泛的应用前景和显著的竞争力。

我的理解呢，ragflow的意义在于它把原本复杂的rag系统开发，处理成了零代码开发模式，方便非计算机背景的人也可以进行rag系统的搭建和维护，而且融入了类似dify的强大的工作流编排功能。

ragflow 本地 windows 部署

配置要求：ragflow是一个相当“重”的项目，如果你的电脑不满足以下条件，请不要随意尝试

一、软件配置安装

首先我们需要安装好 docker 软件

https://www.runoob.com/docker/windows-docker-install.html

安装好 docker 后启动即可，不用登陆不用设置任何东西，一路跳过。

这里我们需要配置 docker 镜像源

{

"registry-mirrors"
: [

"https://registry.docker-cn.com"
,

"http://hub-mirror.c.163.com"
,

"https://docker.mirrors.ustc.edu.cn"

  ],

"insecure-registries"
: [],

"debug"
: 
false
,

"experimental"
: 
false
,

"features"
: {

"buildkit"
: 
true

  },

"builder"
: {

"gc"
: {

"enabled"
: 
true
,

"defaultKeepStorage"
: 
"20GB"

    }

  }

}

上方代码粘贴替换完毕后点击右下角

到这里我们的 docker 就配置好了

然后我们需要安装 git：https://cloud.tencent.com/developer/article/2099150

最后我们需要安装 vscode：https://zhuanlan.zhihu.com/p/264785441

二、安装 ragflow

设置安装路径

在 c 盘之外的地方打开一个文件夹用来安装 ragflow，鼠标右键，点击 open Git Bash here

输入命令：

git clone https://github.com/infiniflow/ragflow.git

点击回车就可以看到多了一个文件夹 ragflow

由于默认配置版本是没有 embedding 模型的，所以我们修改配置为完整版。使用 vscode 打开 .env 文件，修改第 84 行和第 87 行，ctrl+s 保存文件。

拉取 docker 镜像

接下来我们开始部署 docker 镜像，按住 win+R 键，输入 powershell，点击回车。之后输入 cd+刚刚下载的ragflow文件夹路径，我这里是cd D:\demo\ragflow\docker按回车，输入docker compose -f docker-compose.yml up -d按回车。之后可以看到正在使用 docker 加载镜像，稍等一会儿加载完毕即可。

大概 15 分钟后镜像加载完毕就部署完毕了。最后我们输入docker logs -f ragflow-server，出现 RAGFLOW 字体就代表后端服务启动成功了。

之后我们在浏览器地址栏输入：localhost:80即可打开ragflow登录页面。登录页面可以随便输入一个邮箱账号（随便编一个符合邮箱格式的就可以），全部是保存在你本地电脑上的，不用担心数据泄露。但是要注意第一个注册的默认是管理员，所以还是要注意保存一下你注册的邮箱信息。之后点击登录就可以使用ragflow了。

三、简易使用教程

首先我们配置一下 deepseek 模型服务，api-key 可以从 https://platform.deepseek.com/api_key 申请获取（官网已经恢复充值）。

之后我们上传资料创建一个本地知识库就可以啦。可以看到上传的资料支持多种格式，扫描版的 pdf 文档也是可以的。

上传文件之后需要等待文档解析完成，可以看到文档解析的效果还是不错的

创建对话助理后，就可以对话啦，注意在模型设置里把模型替换为 deepseek-chat

四、启动与关闭 ragflow 程序：

关闭 ragflow 程序：

关掉 powershell 窗口，退出 docker 进程即可。

启动 ragflow 程序：

打开 docker 软件，按下 win+R 打开 powershell，输入docker logs -f ragflow-server回车，就启动了后端服务了。！！检查一下 docker 软件，看一下 ragflow 是否全部启动，也就是下图中的几个服务全是运行状态：

如果都在运行中，此时可以在浏览器输入localhost:80即可启动前端界面，愉快的使用 ragflow 啦！

五、如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓