最近，AI 工具用得越来越多，DeepSeek 也火得不行。可问题来了——用 DeepSeek 网页版总是感觉怪怪的。

每次上传个文件都提心吊胆，生怕有一天自己的学习笔记、项目资料、甚至某些“小秘密”被偷走。

有没有一种既能用 DeepSeek，又不用担心数据泄露的方法？当然有！今天就带大家搞定 DeepSeek + RAGFlow 本地知识库！

1. 为什么不能直接用 DeepSeek 网页版？

1.1 隐私问题，心里没底DeepSeek 网页版虽然好用，但它要求你把所有数据都传到服务器上。这就像是你家门没锁，还得指望邻居不乱翻你的快递。

1.2 文件管理太麻烦

• 不能批量上传大量文件，每次都要手动拖拽，费时费力。
• 文件一旦修改或删除，又得重新上传，想高效管理知识库？别想了。

既然官方不给力，那我们就自己动手，打造属于自己的本地知识库！

2. 解决方案：本地部署 DeepSeek + RAGFlow

有了 RAGFlow 和本地 DeepSeek，世界清净了。

• 数据全在自己手里，安全无忧！
• 自由管理文件，想传多少传多少，再也不怕“超额”！
• 离线也能用，谁还怕网络抽风？

不仅如此，本地部署的 DeepSeek + RAGFlow 还能根据自己的需求进行个性化调整，比如优化检索策略、调整 AI 回答风格等等，就像给自己打造了一个专属 AI 助手。

接下来，我们一步步搭建！

3. RAG 是什么？

RAG（Retrieval-Augmented Generation）技术，本质上就是 检索 + 增强 + 生成，让 AI 变得更聪明。

3.1 工作流程

1. 检索（Retrieval）：先从本地知识库里找出相关信息。
2. 增强（Augmentation）：把这些信息加到用户问题里，丰富上下文。
3. 生成（Generation）：AI 再基于上下文生成答案，提高准确度。

这就像是你问了个问题，AI 不仅回答，还顺带把课本和参考资料都翻了一遍。

说白了，RAG 让 AI 更聪明、更精准、更懂上下文。

4. Embedding 是啥？为什么重要？

Embedding = 把语言变成计算机能懂的高维向量。

• 比如“苹果”和“水果”在向量空间里会很接近。
• 有了它，DeepSeek 才能更精准地检索内容。

简单理解，就是 让 AI 更聪明，更懂你在问啥。就像你问了一个问题，AI 先在“脑子”里找找相关的信息，再用自己的理解回答你，而不是像搜索引擎那样直接甩给你一堆网页链接。

5. 配置 Ollama（DeepSeek 运行环境）

5.1 安装 Ollama

Ollama 是 DeepSeek 的运行环境，就像车要加油一样，我们得先装上它。

macOS 版本

brew install ollama
ollama --version

Linux 版本

curl -fsSL https://ollama.ai/install.sh | sh
ollama --version

Docker 版本

docker pull ollama/ollama

5.2 配置环境变量

为了让 Ollama 正常运行，我们需要配置环境变量。

Windows 配置方法

系统设置 → 高级系统设置 → 环境变量

添加：

• OLLAMA_HOST=0.0.0.0:11434
• OLLAMA_MODELS=E:\study\ollama

Mac/Linux 配置方法

export OLLAMA_HOST="0.0.0.0:11434"
export OLLAMA_MODELS="~/ollama_models"
source ~/.bashrc

5.3 运行 DeepSeek

ollama run deepseek-r1:7b
ollama list  # 确保安装成功
ollama run deepseek-r1:7b  # 启动模型

6. 下载 RAGFlow

6.1 Git 下载源码

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

6.2 直接下载（推荐）

这里我已经把源码整理到网盘了，大家自行下载就好。下载完成后解压即可。

点击下方公众号卡片，回复关键字：deepseek，获取网盘链接。

7. 安装 Docker

Docker 是用来运行 RAGFlow 的容器工具，相当于一个“AI 养殖场”，确保它能稳定运行。

7.1 检查虚拟化是否启用

• Windows：任务管理器 → 性能 → “虚拟化”是否启用。

• 若未启用：进入 BIOS 开启 Intel VT-x/AMD-V。

7.2 安装 Docker

点击下方公众号卡片，回复关键字：deepseek，获取网盘链接。

• 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"
  ]
}

7.3 启动 RagFlow

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

• 打开 http://localhost:80 进入 RagFlow 页面。

8. 使用 RAGFlow 进行本地知识库管理

8.1 配置本地知识库

1. 上传 PDF、TXT、Word 文件。
2. RAGFlow 自动解析，建立索引。

8.2 创建对话助理

1. 进入 RagFlow 页面。
2. 模型设置 → 选择 deepseek-chat
3. 开始聊天，享受本地 AI 助理！

有了 DeepSeek + RAGFlow，你的本地 AI 助手就搭建好了！再也不用担心隐私泄露、网络不稳定或者数据管理麻烦。现在就去试试吧，让你的 AI 更懂你！

大模型算是目前当之无愧最火的一个方向了，算是新时代的风口！有小伙伴觉得，作为新领域、新方向人才需求必然相当大，与之相应的人才缺乏、人才竞争自然也会更少，那转行去做大模型是不是一个更好的选择呢？是不是更好就业呢？是不是就暂时能抵抗35岁中年危机呢？

答案当然是这样，大模型必然是新风口！

那如何学习大模型 ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。但是具体到个人，只能说是：

最先掌握AI的人，将会比较晚掌握AI的人有竞争优势。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

但现在很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是，基于此我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习路线完善出来！

在这个版本当中：

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型路线+学习教程已经给大家整理并打包分享出来, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全咨料，放心领取）👈

​

一、大模型经典书籍（免费分享）

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套大模型报告（免费分享）

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、大模型系列视频教程（免费分享）

四、2025最新大模型学习路线（免费分享）

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取

👉CSDN大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全资料，放心领取）👈

​