当前位置：首页 > news >正文

AI本地部署之ragflow

news 来源：原创 2025/9/9 0:17:39

Ubuntu+ragflow+deepseek本地部署目录

一、配置说明
- 1. 软件配置说明
- 2. 硬件配置说明
二、RagFlow安装和部署
- 1. 前置条件
- 2. 安装
- - - 注：如果发现没有出现这个界面，可以进入ragflow/docker/ragflow-logs这个路径，查看ragflow_server.log文件中的内容，这里记录了ragflow运行过程中出现的问题，再进行逐一排查。
三、配置Ollama大模型启动引擎
- 1. 从官网下载Ollama模型加载器，官网给出的Linux下载命令是，其他系统的根据官网提示即可：
- 2. 修改配置
- 3. 下载模型
四、配置ragflow+ollama实现deepseek-r1本地部署
- 1. 配置端口
- 2. 配置本地知识库
- 3. 创建应用，进行测试：
续、可能存在的问题汇总
- 1.【划重点】善用日志排查问题
- 2. ragflow提示某个镜像组件未启动
- 3. ragflow提示缺少某个组件
- 4. 常用docker和ollama的帮助命令：

在Ubuntu24.04系统上部署ragflow 添加deepseek大模型

一、配置说明

1. 软件配置说明

cuda工具配置说明
ubuntu系统版本说明

2. 硬件配置说明

在这里插入图片描述

二、RagFlow安装和部署

1. 前置条件

CPU >= 4 核
RAM >= 16 GB
Disk >= 50 GB
Docker >= 24.0.0 & Docker Compose >= v2.26.1

在这里插入图片描述

docker的安装可以参考之前的文章。当然也可以跟着ragflow官方的教程走，建议提前更换docker使用的镜像源，在/etc/docker/daemon.json下。记录一个不便之处，因为本人的ubuntu用户账号未添加root权限，所以在这里可以将docker添入root用户组，默认拥有sudo权限，这样就不用在每次使用docker命令时，需要添加sudo关键字。

$ sudo groupadd docker
$ sudo gpasswd -a ${USER} docker
$ sudo service docker restart

2. 安装

拉取ragflow项目

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

这一步如果说通过git拉取速度不快的话，建议直接采用魔法方法：ragflow项目界面>code>Download ZIP直接下载，或者找国内的其他网站如gitee等网站，下载到本地需要存放的位置，然后解压缩。

在这里插入图片描述

进入 docker 文件夹，利用提前编译好的 Docker 镜像启动服务器：
```
$ cd ragflow/docker
$ docker compose -f docker-compose.yml up -d
```

根据官方教程，运行上述命令会自动下载 RAGFlow slim Docker 镜像 v0.17.0-slim。请参考原文查看不同 Docker 发行版的描述。

如需下载不同于 v0.17.0-slim 的 Docker 镜像，请在运行 docker compose 启动服务之前先更新 ragflow/docker/.env 文件内的 RAGFLOW_IMAGE 变量。比如，你可以通过设置 RAGFLOW_IMAGE=infiniflow/ragflow:v0.17.0 来下载 RAGFlow 镜像的 v0.17.0 完整发行版。
在这里插入图片描述

slim和非slim版本之间的区别在于，是否自带embedding模型，这两个版本之间的大小差距在7-10GB之间，因此在下载之前需要考虑本地磁盘容量是否足够，本人下载使用的slim版本，大小为10GB左右，slim版本大概在18GB上下此外还需要注意，在镜像拉取完成之后，需要注意这里是否对应的镜像已经完整了，使用docker images命令查看镜像是否齐全，权限不够的在命令前面添加sudo docker images查看即可。

docker images 查看，看到下载使用的是slim版本，后期自行选择安装嵌入模型。
在这里插入图片描述

查看docker容器内组件运行情况
```
$ docker logs -f ragflow-server
```

在docker镜像拉取以后，默认会启动镜像内容，接着就可以通过上述命令查看是否启动成功，启动成功应该是如下标志：
在这里插入图片描述

注：如果发现没有出现这个界面，可以进入ragflow/docker/ragflow-logs这个路径，查看ragflow_server.log文件中的内容，这里记录了ragflow运行过程中出现的问题，再进行逐一排查。

需要注意在上述工作完成之后，不是要进入如下的两个网址：

http://127.0.0.1:9380
http://本地IP:9380
而是要进入：http://localhost:80 先注册账号，是下面这个页面，账号符合邮箱地址，密码随便设置，反正数据都是保存在本地的:

http://192.168.21.24:80
在这里插入图片描述

注册 + 登录：
配置模型

搭建好ragflow之后，我们就需要考虑为ragflow挑选LLM模型，
通过点击>右上角头像>左侧菜单栏模型提供商，选择合适的模型启动引擎即可，这里因为本地配置了ollama，所以使用ollama直接使用即可：
在这里插入图片描述

三、配置Ollama大模型启动引擎

可以参考之前文章，部署Ollama

1. 从官网下载Ollama模型加载器，官网给出的Linux下载命令是，其他系统的根据官网提示即可：

	$ curl -fsSL https://ollama.com/install.sh | sh

使用这个下载的速度会非常慢，可能会卡死或者提示下载几天，建议可以从国内第三方网站下载，如魔塔社区等，通过这种方式下载的模型，就需要ollama文件中，通过命令行的方式安装ollama，这里我以魔搭社区中的提示为例：

	$ cd ollama-linux$ sudo chmod 777 ./ollama-modelscope-install.sh$ ./ollama-modelscope-install.sh

安装完成后，一般系统会自动运行，输入以下命令，查看ollama是否已经安装完成：

	$ ollama -v

安装成功会出现如下标志：

	$ ollama version is 0.6.0

2. 修改配置

在下载完成ollama模型后，不要急着去下载模型，建议在本地修改以下配置后在考虑下载模型：

① 因为ollama默认下载的位置会将模型下载至如下地址/usr/share/ollama/.ollama/models，非常不利于我们查看和修改对应的信息，而且通常一个LLM模型的存储空间占用都是大几个GB或者几十GB起，最好根据自己的实际情况，放在相对安心的位置比较好；
②考虑到接下来，ollama在启动模型后是需要在本地部署并支持被外部访问，因此还需要添加ollama的本地地址使用0.0.0.0，否则默认启动会启用只有本机系统可用的127.0.0.1回环端口，这也就意味着前面在docker中部署的ragflow作为外部应用无法访问。

基于上述问题，特此在/etc/systemd/system/ollama.service中的[Service]这一个下面导航栏下，添加以下信息：

# 模型下载地址设置，其中/xxx/可以根据自己的实际情况设置绝对地址或相对地址
Environment="OLLAMA_MODELS=/xxx/ollama/models"
# 访问端口设置
Environment="OLLAMA_HOST=0.0.0.0"

修改完上述文件后，对ollama重新加载并更新配置：

	# 刷新配置
$ sudo systemctl daemon-reload# 重启ollama
$ sudo systemctl restart ollama.service# 查看一下重启后的ollama运行状态
$ sudo systemctl status ollama

3. 下载模型

在完成上述内容之后，可以开始在ollama官网寻找对应的大模型进行下载：
参考之前文章之部署Ollama 和dif y

四、配置ragflow+ollama实现deepseek-r1本地部署

1. 配置端口

同本人之前部署的dify 过程
在这里插入图片描述
配置如下：

在这里插入图片描述
完成：

同dify：部署嵌入模型
在这里插入图片描述
完成：

2. 配置本地知识库

2-1. 接下来我们就可以创建知识库了
在这里插入图片描述然后对知识库做配置，这里是 dify中没有的，不同的

2-2. 确定，完成：
在这里插入图片描述
2-3. 按照提示信息，刷新页面，来到系统模型设置弹框：

关于嵌入模型的选择上，选择一个前文所提到的非slim自带的嵌入模型即可，但是由于ragflow自带的embedding模型似乎只会调用cpu进行解析，所以这里建议可以使用ollama自己部署，步骤同上 ollama pull ，即可通过gpu调用的形式加载embedding模型，加快文档解析速度。

2-4. 之后点击数据集>新增文件>本地文件或者新建空文件，即可实现文件上传，解析文件后，在聊天界面实现和模型畅快的聊天。
在这里插入图片描述
选好文件/文件夹，ragflow支持整个文件夹上传，与dify不同点。

2-5. 点击确定：

在这里插入图片描述
2-6. 点击解析：

在这里插入图片描述

3. 创建应用，进行测试：

3-1. 你是我的超级智能助理，帮我从知识库或联网搜索客户的问题答案，进行友好的回答
在这里插入图片描述

3-2. 之前遗漏了 2.6步【解析】，上传知识库解析完之后，再次编辑应用机器人，添加知识库：
在这里插入图片描述
3-3.

续、可能存在的问题汇总

1.【划重点】善用日志排查问题

ollama运行过程中遇到问题，使用如下命令查看ollama日志：

$ journalctl -u ollama -f

ragflow运行过程中遇到问题，同前文中所示，查看对应的日志文件即可

2. ragflow提示某个镜像组件未启动

如Can’t connect redis，无法链接redis库

	# 查看已经启动的docker容器$ docker ps# xxx表示对应的ragflow需要的组件$ docker start ragflow-xxx

3. ragflow提示缺少某个组件

问题描述：如Failed to resolve ‘minio’ ([Errno -3] Temporary failure in name resolution)
解决方法：docker中重新抓一个镜像组件下来

$ docker pull ragflow-minio

4. 常用docker和ollama的帮助命令：

$ docker -h
$ ollama -h

Ubuntu+ragflow+deepseek本地部署目录

一、配置说明

1. 软件配置说明

2. 硬件配置说明

二、RagFlow安装和部署

1. 前置条件

2. 安装

注：如果发现没有出现这个界面，可以进入ragflow/docker/ragflow-logs这个路径，查看ragflow_server.log文件中的内容，这里记录了ragflow运行过程中出现的问题，再进行逐一排查。

三、配置Ollama大模型启动引擎

1. 从官网下载Ollama模型加载器，官网给出的Linux下载命令是，其他系统的根据官网提示即可：

2. 修改配置

3. 下载模型

四、配置ragflow+ollama实现deepseek-r1本地部署

1. 配置端口

2. 配置本地知识库

3. 创建应用，进行测试：

续、可能存在的问题汇总

1.【划重点】善用日志排查问题

2. ragflow提示某个镜像组件未启动

3. ragflow提示缺少某个组件

4. 常用docker和ollama的帮助命令：

相关文章：