1，前言

写下这篇文章是为了我下一次搭建ai知识库的时候，更加方便与快捷，我认为可能对于同行也会有一些微末的作用。

我看的教学视频：【【知识科普】【纯本地化搭建】【不本地也行】DeepSeek + RAGFlow 构建个人知识库】https://www.bilibili.com/video/BV1WiP2ezE5a?vd_source=9daf68c0042e9425c5b0afbea72063a3

2，搭建基本流程

第一步：下载ollama

第二步：下载或者克隆ragflow源代码

第三步，下载docker

第四步，docker部署ragflow，

第五步，使用ragflow创建知识库，

第六步，添加内容进入知识库，调用模型或者使用本地部署的模型进行聊天

3，一些基础知识（急于正式搭建的话，可以先忽略这个）

Embedding 的概念与作用

Embedding 是一种将自然语言（如单词、句子或文档）转化为高维向量的技术。这些向量捕捉语义信息，使得机器能够通过数学方式计算文本之间的相似度。例如，单词“蟹堡王”和“比奇堡”会被映射到相近的向量空间，而“深度学习”则被映射到较远的空间，这体现了语义关联性。Embedding 的核心优势在于将非结构化的文本数据转化为结构化数值，便于机器处理。

为什么在 DeepSeek 和 RAGFlow 之外还需要 Embedding 模型

DeepSeek 和 RAGFlow 属于对话模型（Chat 模型），专注于生成自然语言响应。然而，它们无法直接处理文本相似度计算或外部知识检索。Embedding 模型专门用于：

• 将文本转化为向量，以支持高效相似度匹配。
• 在 RAG（Retrieval-Augmented Generation）系统中，充当“桥梁”：对话模型依赖 Embedding 模型来检索和整合外部知识，否则只能利用自身训练数据，导致响应缺乏实时性和准确性。 因此，Embedding 模型是 RAG 架构的必备组件，它弥补了对话模型在语义理解和外部数据访问上的不足。

模型的分类

在 RAG 系统中，模型主要分为两类：

1. 对话模型（Chat 模型）：如 DeepSeek，负责生成最终回答。它们基于输入上下文产生响应，但无法直接访问外部知识库。
2. Embedding 模型：专注于文本向量化。它将自然语言映射到高维空间，便于相似度计算。例如，输入文本 $ \mathbf{t} $ 被转化为向量 $ \mathbf{v} $，其中 $ \mathbf{v} \in \mathbb{R}^d $（$ d $ 表示维度）。

检索过程详解

在基于本地文件构建的 RAG 系统中，检索流程如下：

1. 准备外部知识库：从本地文件（如文档）解析文本，分割为片段（如段落）。Embedding 模型处理每个片段，生成唯一向量（“指纹”）。例如，片段 $ \mathbf{s}_i $ 对应向量 $ \mathbf{v}_i $。
2. 处理用户输入：用户提问时，Embedding 模型将输入转化为查询向量 $ \mathbf{q} $。
3. 相似度匹配：系统计算 $ \mathbf{q} $ 与知识库中所有 $ \mathbf{v}_i $ 的相似度，常用余弦相似度度量： $$ \cos(\theta) = \frac{\mathbf{q} \cdot \mathbf{v}_i}{|\mathbf{q}| |\mathbf{v}_i|} $$ 其中 $ \cos(\theta) $ 值接近 1 表示高相似度。
4. 检索与扩展上下文：系统返回相似度高的片段，将其与用户输入结合，作为增强上下文输入对话模型（如 DeepSeek），生成最终回答。

构建本地知识库的流程

为创建高效 RAG 系统：

• 知识库解析：上传本地文件后，Embedding 模型将文本分割并向量化，建立“指纹库”。
• 实时查询：用户提问时，系统通过向量相似度快速检索相关片段，确保响应基于最新外部信息。 此流程优化了知识利用，使对话模型能动态补充训练数据之外的实时内容。

4，环境准备，与正式搭建

4.1下载ollama并且拉取模型

4.1.1下载ollama

ollama是用来本地部署大模型的平台（如果对隐蔽性要求不高或者不打算本地部署可以忽略此步），可以前往官网下载：

Download Ollama on Windows

4.1.2配置环境变量

在Windows开始菜单栏输入环境变量

点击环境变量进行环境变量编辑

OLLAMA_HOST=0.0.0.0:11434：让虚拟机里的程序能访问本机上运行的 Ollama 模型 RAGFlow是部署在虚拟机里的，默认情况下，Ollama 只能允许本机访问（监听 localhost:11434），其他设备（比如虚拟机）是无法连接的。 可能存在的问题：如果配置后虚拟机无法访问，可能是你的本机防火墙拦截了端口 11434，需要放行它。 如果你的 Ollama 只想给自己的虚拟机使用，而不想直接暴露 11434 端口让任何设备都能访问，你可以通过SSH 端口转发来实现；

OLLAMA_MODELS ：默认模型下载到C盘，如果希望下载到其他盘可以配置，最好选一个大一点的盘； 注意配置之后保险起见一定要重启电脑；

结果示例

4.1.3，拉取模型：

拉取deepseek开源模型：

以内存最小的版本为例：

复制模型拉取命令

终端（win+r,然后输入cmd回车）拉取模型：

我这里由于之前以及下载好了直接就能对话，初次下载的可能要花一些时间等待模型下载

tip:初次下载的可能要等待模型下载，刚开始会有慢是正常的，不过如果非常慢，可以CTRL+c打断，然后再次输入命令继续下载。（这样并不会使我们的下载进度重新从零开始）

4.2克隆ragflow源代码

如果你会git，请看4.2.1，否则4.2.2

4.2.1使用git克隆

进入GitHub复制网址使用git克隆

infiniflow/ragflow: RAGFlow is an open-source RAG (Retrieval-Augmented Generation) engine based on deep document understanding.

在任意一个文件夹下cmd回车，使用git克隆：

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

4.2.2直接下载ragflow源代码

下载好代码将其解压到一个对应文件夹

如果无法正常打开GitHub可以下载这个网盘里的：
夸克网盘分享

4.3，下载docker：

以在windows环境下下载为例：
可以参考：

Windows安装Docker（图文解说详细版）_docker能安装在window环境下吗-CSDN博客

如果安装之后遇见wsl问题，可以参考这个视频：

【windows环境下的docker安装及配置】https://www.bilibili.com/video/BV1hPjwzjECk?vd_source=9daf68c0042e9425c5b0afbea72063a3

安装完成记得添加国内镜像仓库加速：

红框内容改为：

{
  "builder": {
    "gc": {
      "defaultKeepStorage": "20GB",
      "enabled": true
    }
  },
  "experimental": false,
  "registry-mirrors": [
    "https://docker.m.daocloud.io",
    "https://noohub.ru",
    "https://huecker.io",
    "https://dockerhub.timeweb.cloud",
    "https://0c105db5188026850f80c001def654a0.mirror.swr.myhuaweicloud.com",
    "https://5tqw56kt.mirror.aliyuncs.com",
    "https://docker.1panel.live",
    "http://mirrors.ustc.edu.cn/",
    "http://mirror.azure.cn/",
    "https://hub.rat.dev/",
    "https://docker.ckyl.me/",
    "https://docker.chenby.cn",
    "https://docker.hpcloud.cloud"
  ]
}

4.3，docker部署ragflow：

tips：这个镜像还是使用有点儿大的可能会占用30g，如果不想c盘爆满，建议修改默认镜像存储位置。修改方式可参考下文：windows下Docker安装路径、存储路径修改_window 修改docker的资源路径-CSDN博客

4.3.1，准备工作

进入布置好的ragflow文件下的docker文件夹，修改一下.env文件，

将这一行：

RAGFLOW_IMAGE=infiniflow/ragflow:v0.19.1-slim

进行注释（在前面加一个#）修改完记过如下：

另一行

#RAGFLOW_IMAGE=infiniflow/ragflow:v0.19.1

取消注释

4.3.2，部署ragflow：

tip:优先确保docker已经开启。

进入ragflow文件夹下的docker文件夹 cmd回车

然后输入以下命令回车：
ci

docker compose -f docker-compose.yml up -d

等待镜像下载完成就部署好ragflowl了

验证，ragflow默认使用80端口（可以修改默认端口，这里就不做赘述了），随便一个浏览器输入以下命令：

http://localhost:80/

如果进入界面：

则代表部署成功

接下来你只需要注册号账号登录进去就可以开始创建自己的ai知识库

4.3.3创建ai知识库：

4.3.3.1创建前的准备（二选一）

 a, 使用本地模型（适合本地运行）

1. 点击用户头像，进入“模型提供商” → “待添加模型”。
2. 选择“添加模型”，类型为Ollama。
3. 选择Chat模型，并严格复制已部署的本地模型名称（在终端输入 ollama list 查看并复制名称）。
4. 在模型名称框中填入复制的名称。
5. 设置基础URL：
   • 在终端执行 ipconfig。
   • 在输出中找到IPv4地址（例如：192.168.x.x）。
   • 复制地址（不包括冒号前的部分）。
   • 在基础URL框中输入 http://{复制的IPv4地址}:11434。
6. 设置最大token数（建议值大于600）。
7. 点击“确定”。
8. 设置默认模型：
   • 进入“设置”菜单。
   • 在“嵌入聊天模型”下拉栏中，选择之前添加的模型。
   • 嵌入模型使用现有即可。
   • 点击“确定”完成配置。

在以下栏寻找到ipv4地址然后复制冒号之后地址即可

在基础url添加http://{刚刚复制的ipv4地址}：11434

最大token数自行设置，（一般设置大于600）点击确定

之后点击设置默认模型：

在嵌入聊天模型处下滑栏选择我们之前添加的模型即可

嵌入模型使用已经有的即可，点击确定

这样默认模型就配置成功了。

b,使用非本地部署模型（往往效果好一些，因为不是所有电脑都能跑满血大模型）

在对应模型官网的api开放平台获取apikey,在上面的空白框输入即可，其余操作与本地部署的大模型一致

4.3.3.2正式创建ai知识库

点击黑框区域，为知识库命名 。如：“小说写作”

等待知识库加载，进入知识库进行配置，

可以选择使用默认的嵌入模型和默认配置

然后在数据集栏-----新增文件

添加你希望ai知道的内容文件保存配置

添加完成之后要点击解析，否则ai无法识别。（解析速度过慢可选择不同的嵌入模型以提高速度）

等待解析完成之后可以在“聊天--新建助理”

完成助理配置，点击加号选择你需要ai知道的知识库，

然后就可以和你部署的模型聊天，ai会根据你的知识库进行解答。

6，结语

这是我写的第一篇博客，可能有不足，还望海涵。

特别感谢b站up 堂吉诃德拉曼查的英豪 的授权支持