本地部署DeepSeek-R1大模型后，使用RAGFlow搭建自己的本地知识库
本地部署DeepSeek-R1大模型后，使用RAGFlow搭建自己的本地知识库
一、准备工作
1.需要本地已经部署好DeepSeek-R1大模型
2.需要在本地安装RAGFlow
3.需要一个自己的知识库
二、本地部署DeepSeek-R1大模型
这里就不在过多的说明如何本地部署了，因为在之前已经做过了。
三、本地安装RAGFlow
1.从github上下载RAGFlow的源代码，地址为：
https://github.com/infiniflow/ragflow
从以上github中，我们直接下载zip的压缩包或者使用git将项目克隆下来。如以下图，我是直接下载的zip压缩包：
下载好之后，我们进入ragflow-main目录下的docker目录下面，我们需要修改.env文件的以下内容，当然在修改之前我们最好将.env文件复制一份，以防我们错误修改，使RAGFlow无法使用。
为什么要修改.env文件的配置呢？
因为如果不修改配置的话，RAGFlow默认是轻量的版本，而轻量的版本中是没有embedding大模型的，而embedding大模型的作用是对你上传的一些附件（word、pdf、txt）等文件进行解析的，而这个解析的作用是将自然语言转化为机器可以理解的高维向量，并且通过这一过程捕获到文本背后的语义信息（比如不同文本之间的相似度关系）。
修改.env文件里面的哪些配置呢？看下图就行了：
大概是在文件的84行：
2.本地需要下载一个docker，因为docker镜像是一个封装好的环境，包含了所有运行RAGFlow所需的依赖、库和配置。
那么我们打开docker的官方网站(https://www.docker.com/)过程可能有些慢，因为咱们在国内的话需要一些科学上网的手段，这里就不做过多的操作了，从网站上下载对应我们自己操作系统的安装包。
安装完成以后，我们打开一个命令行终端，在里面输入:docker，如果出现以下信息，说明安装完成：
如果你安装了docker的客户端的话，直接在设置中的Docker Engine选项中添加一下内容即可，图片如下：
"registry-mirrors": [` `"https://registry.docker-cn.com",` `"https://docker.mirrors.ustc.edu.cn",` `"https://hub-mirror.c.163.com"` `]
如果不是用的客户端的话，可以按照一下方式修改：
mkdir -p /etc/docker`` ``#新增文件添加内容``vim daemon.json`` ``{` `"insecure-registries": ["http://192.168.2.102:8299"],` `"registry-mirrors": [` `"https://p972x9wy.mirror.aliyuncs.com",` `"https://docker.registry.cyou",` `"https://docker-cf.registry.cyou",` `"https://dockercf.jsdelivr.fyi",` `"https://docker.jsdelivr.fyi",` `"https://dockertest.jsdelivr.fyi",` `"https://mirror.aliyuncs.com",` `"https://dockerproxy.com",` `"https://mirror.baidubce.com",` `"https://docker.m.daocloud.io",` `"https://docker.nju.edu.cn",` `"https://docker.mirrors.sjtug.sjtu.edu.cn",` `"https://docker.mirrors.ustc.edu.cn",` `"https://mirror.iscas.ac.cn",` `"https://docker.rainbond.cc"` `],` `"ipv6": false``}
3.利用提前编译好的Docker镜像启动RAGFlow
执行一下命令：
cd ragflow/docker``docker compose -f docker-compose.yml up -d
下载可能有点慢，大家多多耐心等待就行了。
下载完成后，打开浏览器输入：http://localhost:80，如果看到以下图片，表示启动成功了：
之后如果没有注册过账号的话，去注册一个账号并登陆进去。
配置Ollama连接大模型：
如下图我们先配置模型，点击右上角头像，再点击模型提供商。
点击Ollama添加模型，填写模型信息。
如果ollama是在本机的话docker访问宿主机url为：http://host.docker.internal:11434。
模型类型为chat，模型的名称要和Ollama上部署的模型名称一致，可以使用以下命令去查看大模型的名称：
ollama list
至于基础Url的话，找到部署大模型的那台机子的ip，将host.docker.internal换成ip即可。
知识库的使用
去新建一个知识库
上传文件
在数据集中，点击新增文件，选择文件后选择上传。
点击开始按钮进行解析，这里很重要，因为解析成功后才能进行问答。
四、进行聊天
好了，以上步骤都完成后，我们可以去创建聊天了，根据我们上传的知识库去进行相应的提问就好了。
如何系统的去学习大模型LLM ？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。
事实上，抢你饭碗的不是AI，而是会利用AI的人。
继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？
与其焦虑……
不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。
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70次后，终于把整个AI大模型的学习门槛，降到了最低！
在这个版本当中：
第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言
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，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
一、LLM大模型经典书籍
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LLM大模型报告合集
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、LLM大模型系列视频教程
四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）
五、AI产品经理大模型教程
LLM大模型学习路线 ↓
阶段1：AI大模型时代的基础理解
-
目标：了解AI大模型的基本概念、发展历程和核心原理。
-
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
-
目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
-
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3：AI大模型应用架构实践
-
目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
-
内容：
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
-
目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
-
内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
欢迎加入DeepSeek 技术社区。在这里，你可以找到志同道合的朋友，共同探索AI技术的奥秘。
更多推荐
8
0- 0
已为社区贡献16条内容
所有评论(0)