DeepSeek+RAGFlow：企业知识库构建新选择，让Dify相形见绌！

从面板上看，就几个功能。还是很清晰，它的模板特别少，在创建agent的时候可以选择。

AI-椰子不椰

1625人浏览 · 2025-04-10 16:06:59

AI-椰子不椰 · 2025-04-10 16:06:59 发布

之前写了一些知识库的文章，最后试用了dify，想着前端dify+企业自己的向量数据，随时可以切换前端应用，觉得很香。有些朋友向我案例ragflow。

试用完以后我发现，我想复杂了，定制企业向量数据库，ragflow完全能够满足，简单调整下，成本最低。功能实在是太强大了。

🌟 ragflow主要功能

🍭 "Quality in, quality out"

• 基于深度文档理解，能够从各类复杂格式的非结构化数据中提取真知灼见。
• 真正在无限上下文（token）的场景下快速完成大海捞针测试。

🍱 基于模板的文本切片

• 不仅仅是智能，更重要的是可控可解释。
• 多种文本模板可供选择

🌱 有理有据、最大程度降低幻觉（hallucination）

• 文本切片过程可视化，支持手动调整。
• 有理有据：答案提供关键引用的快照并支持追根溯源。

🍔 兼容各类异构数据源

• 支持丰富的文件类型，包括 Word 文档、PPT、excel 表格、txt 文件、图片、PDF、影印件、复印件、结构化数据、网页等。

🛀 全程无忧、自动化的 RAG 工作流

• 全面优化的 RAG 工作流可以支持从个人应用乃至超大型企业的各类生态系统。
• 大语言模型 LLM 以及向量模型均支持配置。
• 基于多路召回、融合重排序。
• 提供易用的 API，可以轻松集成到各类企业系统。

🔎 系统架构

安装

硬件要求

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

软件要求：

vm.max_map_count 不小于 262144，这个是针对linux

下载代码

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

我们看下docker目录中的文件，主要关注圈中的3块

• .env 主要是docker部署的时候一些变量,service_conf.yaml.template是服务启动使用的配置文件，需要和.env文件里的配置对应，特别是端口
• 需要注意的是，在mac操作系统下，会引入2

镜像tag	镜像大小(GB)	是否有向量模型?	是否稳定版版?
v0.16.0	≈9	✔️	稳定
v0.16.0-slim	≈2	❌	稳定
nightly	≈9	✔️	不稳定，每晚构建
nightly-slim	≈2	❌	不稳定，每晚构建

关键参数

.env文件

#文档引擎，默认使用es
DOC_ENGINE=${DOC_ENGINE:-elasticsearch}

#docker部署的镜像，默认不带模型
RAGFLOW_IMAGE=infiniflow/ragflow:v0.16.0-slim

#redis端口，6379，我本机以及docker已经有了，我改程了6380
REDIS_PORT=6380

#服务端端口
SVR_HTTP_PORT=9380

#自定义了两个变量，nginx的暴露端口
EXPOSE_NGINX_PORT=8002
EXPOSE_NGINX_SSL_PORT=8444

#如果你需要在docker中拉取模型，网有不好，添加此镜像，将前面的#去掉
# HF_ENDPOINT=https://hf-mirror.com

#mac系统需要将此参数放开，默认禁用，将前面的#去掉就开启了
# MACOS=1

需要注意的是.env文件修改后，对应的service_conf.yaml.template配置中一些默认值也得改变。比如我们改了redis的端口，

#将redis的端口由6379改成6380
redis:
  db: 1
  password: '${REDIS_PASSWORD:-infini_rag_flow}'
  host: '${REDIS_HOST:-redis}:6380'

拉取镜像

# 拉取镜像
docker compose  pull

如果拉不到，网络不稳定，替换国内的镜像

- 华为云镜像名：`swr.cn-north-4.myhuaweicloud.com/infiniflow/ragflow`
- 阿里云镜像名：`registry.cn-hangzhou.aliyuncs.com/infiniflow/ragflow`

启动

我们通过-p指定分组名称，或者在docker-compose.yaml中添加name: 'ragflow'

docker compose up -d -p ragflow

等一会，安装过程只遇到了端口冲突的问题，修改下端口即可。

通过docker ps或docker desktop 软件查看启动状态。

基本设置

登录进来以后，我们先将右上角的1设置为简体中文，然后点击2

我们主要关注1模型供应商和3团队即可。可以通过2查看系统的资源概况，以及任务数。

点击1我们开始添加模型

模型配置

官方默认推荐通义，应该是合作了，我们添加本地ollama和刚充值的热乎的deepseek.

本地Ollama 模型配置

在ragflow中，ollama的模型类型可以选择4个，其实也就比dify多了一个reran模型，

通过ollama listt查看模型列表，然后添加两个一个chat模型，一个embedding模型。

最大token我们通过ollama show deepseek-r1:32b获取后填入。然后保存。

报错了了，一看cudaMalloc failed: out of memory,一看内存81%了，空余12g的内存竟然不够用。赶紧关一些软件。

然后再保存。成功。然后点击添加向量模型。

添加DeepSeek

很简单，就填写一个api-key就行了。

系统模型配置

选择相应的模型即可。

团队

我点击右上角的邀请，填写用户邮箱，点击确定。提示用户不存在。

我猜测，应该是注册制，注册以后再邀请进团队。

然后角色是Invite，时间也有问题。应该是数据库的时区的问题。在.env中TIMEZONE配置的是shanghai时区。这个不太影响，下次再看下。

然后我就很好奇，另外一个用户里是什么？我登录了另外一个账户，原来邀请的用户还得同意。

同意以后，还可以退出。我再切换到原来的账户里，

发现角色变成了Normal

需要注意的是，团队共享了知识库，但是聊天助理并没有共享，模型也没有共享。

不过想想也对，创建的应用可以通过api分享，出来，共用的功能，设置都不需要邀请用户。知识反而是核心。我的理念和他好像。哈哈。

功能概述

从面板上看，就几个功能。还是很清晰，它的模板特别少，在创建agent的时候可以选择。

知识库

创建知识库

点击创建知识库，填写名称，点确定即可。

这个时间反而是准的。

知识库配置

配置

• 点击1的配置，
• 我们可以指定文档语言2
• 也可以设置这个知识库的权限3
• 可以自定义解析方法4,而且每个解析方法后面都有对应的示例说明。是不是用它内置的向量模型会更好一些？

解析方法类型

分段标识符，支持多字符作为分隔符，这对复杂格式的文档，也太友好了。还能有布局识别和OCR功能。

知识上传（数据集）

在ragflow中上传的在数据集模块里。

ragflow的知识库，只支持和上传文件或s3同步。同时可以一次上次多个知识。提示也很友好严禁上传公司数据或其他违禁文件。

上传以后不会自动解析，需要手动点击。

可以通过1单个解析，也可以通过勾选多个，批量解析。

默认规则下，解析速度还行，清华大学第一弹一共104页，解析了110秒。

然后看了下分段效果。点开一看，太强大了图片内容也解析出来了。《清华大学第四弹》的内容。
我没有使用ocr呀，这个后续再研究。

还有表格的识别。

检索测试

随便问一下，这检索效果，真棒。而且返回速度特别快。

文件管理

上传的文件在文件管理里面。

聊天

创建聊天

• 点击新建助手
• 显示引文3
• 关键词分析4开启。应用 LLM 分析用户的问题，提取在相关性计算中要强调的关键词。
• 知识库可以选择多个5

提示引擎默认即可，不用动。

在模型设置里，主要是最大token数，默认512太小了，最大设置为8192

使用

• 我们选择小助手1,点击2
• 直接在3输入问题，同时也可以再上传任何文件。

回答效果，有些图片里的内容都找到并填了进去。

后记

简单的试用了下ragflow，突然感觉dify不香了。ragflow的理念和我实在是太贴合了。后续我得好好的深入研究下。

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。