DeepSeek+RagFlow搭建企业级知识库：知识库配置和使用基础篇（保姆级包教会）

各位读者朋友们，大家好！在之前发布的《DeepSeek+RagFlow 搭建企业级知识库：Docker 镜像构建基础篇》里，我们已经掌握了RagFlow服务构建与部署的相关操作。现在，我们将开启新的篇章，由笔者带领大家逐步完成知识库的配置工作。这篇文章着重于实操过程，采用详细的步骤讲解，就算是对技术不太熟悉的朋友，也能轻松跟上节奏，顺利完成操作。

黑客Zion

999人浏览 · 2025-06-05 20:48:03

黑客Zion · 2025-06-05 20:48:03 发布

前言

各位读者朋友们，大家好！在之前发布的《DeepSeek+RagFlow 搭建企业级知识库：Docker 镜像构建基础篇》里，我们已经掌握了 RagFlow 服务构建与部署的相关操作。现在，我们将开启新的篇章，由笔者带领大家逐步完成知识库的配置工作。这篇文章着重于实操过程，采用详细的步骤讲解，就算是对技术不太熟悉的朋友，也能轻松跟上节奏，顺利完成操作。

1 重新认识RagFlow

1.1 架构

1.1.1 架构特点总结

**多模态处理：**支持文本、图像、表格等多种数据类型的解析（OCR、布局分析）。
**语义驱动：**通过向量嵌入和关键词提取实现深度语义理解。
**模块化调度：**通过 Task Dispatch 实现灵活的任务分配，适应复杂场景。
**端到端流程：**从文档上传到答案生成，覆盖完整的 RAG（检索增强生成）链路。

1.2主要功能

1.2.1 🍭 “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。

1.2.2 🍱 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

1.2.3 🌱 有理有据、最大程度降低幻觉

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。

1.2.4 🍔 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。

1.2.5 🛀 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。

2 基础环境配置

2.1 注册账户

点击docker desktop的ragflow-server 容器所对应的端口号，如果再部署的时候没有修改过默认的端口号，默认端口号一般是80端口。可以直接浏览器访问localhost就进入了登录注册界面。

先注册一个初始账号。

2.2 登陆

主页大概是这个样子的，设计还是挺简洁干净的，默认是英文的，如果英语不好的，可以切换其它语言。我默认切换到中文。

2.2.1概要

这里主要是一些无关紧要的个性化设置，如自己的用户头像，用户名，主题等。

2.2.2 密码

在这里修改自己的账号密码

2.2.3 模型提供商

⚠️这个地方配置比较重要，我们需要利用Ollama框架添加两个需要的大模型：聊天模型DeepSeek和 embedding（嵌入向量）模型bge-m3。

本地Ollama 配置

Ollama 是一个轻量级的本地大模型运行框架，在设计上支持多种模型架构。他本身也是一个大语言模型。Ollama 由 Go 语言开发，利用 Go 语言高效的并发处理能力进行模型管理，能较好地调度系统资源

打开docker desktop 工具，点击终端输入ollama list就可以查询本地安装的所有模型。

配置DeepSeek模型

模型类型: chat
模型名称: deepseek-r1:32b
基础 Url: 模型所在的主机IP:11434
最大token数:131072

使用ollama show [模型名称]就可以查询模型的详细信息，包含最大token数。

配置向量模型

模型类型: embedding
模型名称: bge-m3:latest
基础 Url: 模型所在的主机IP:11434
最大token数:8192

两个模型添加完成之后是这个样子的

我们再单独添加一个deepseek模型

这里需要在deepSeek官网申请Key，如果没有不添加这个也行，直接使用本地部署的模型。

填写自己的API-Key

如下图所示说明就是添加完成了

系统模型设置

聊天模型：deepseek-reasoner （一般用次模型进行编码），当然这里也可以选择自己部署的模型
嵌入模型：bge-m3:latest

剩下那几个没有配置的，分情况自行配置。Img2txt模型主要用于图片和视频解析，Sequence2txt模型主要用于语音转文字，Rerank模型用于用户问题检索到重读区，TTS模型主要用在对话过程中请求语音生成。

2.2.4 系统

系统菜单主要用于监控RagFlow的中间件和组件的状态。

2.2.5 API

这个主要作用是，把自己RagFlow 服务提供给第三方，获取提供给自己公司其它系统。

2.2.6 团队

这里的团队菜单，比较重要，接下来我们来配置团队相关的信息。我们来邀请一个团队，再邀请团队之前我们需要再创建一个测试账号。

测试账号创建好之后，我们尝试邀请刚才创建的测试用户。

接下载使用测试用户登陆同意刚才的邀请。请以之后就是下图所示，角色更新为Normal

这样就可以共享自己创建的知识库啦。看了一下权限的隔离型还是不错的，不会出现，模型和其它某些配置也能共享的情况，目前测试好像没有权限bug。

3 RagFlow搭建知识库

3.1 创建知识库

按照下图的步骤顺序创建知识库。

如下所示，我们知识库就创建成功啦。

3.1.1 知识库配置

把需要修改的项目改一下即可，点击保存修改配置就成功了。其它的配置项可以鼠标移动到小“？”的图标上，会解释这些参数代表啥含义，该怎么配置。这里我就不过多赘述了，篇幅有限。

3.1.2 知识上传

如下图所示上传，本地提前准备好的知识库文件。

我提前准备了一个文档目录

如下图所示上传自己的知识库就可以啦，可以单个文件上传，也可以上传文件夹。

如果是上传的文件夹含有多个文件，可以选择批量解析、启动、禁用、删除等操作

解析

如下图操作进行数据集解析

检测测试

速度很快，而且他竟然只在劳动法里面找。

4 文件管理

我们上传的知识库都在这里。

然后我们切换测试用户看一下，能不能看到我创建的知识库。发现我创建的知识库已经被共享了，并且除了知识库以外，测试用户看不到我的其它任何东西，包括文件管理里里面的文件信息，都是看不到的。

5 创建聊天

5.1 新建助理

5.1.1 助理设置

按照下图所示的顺序设置。

5.1.2 模型设置

⚠️注意把最大token数设置大一点。

5.1.3 创建聊天

提示引擎选项默认就可以了，不需要设置。如果需要设置，请鼠标放到参数对应的“❓”上面，就可以知道参数的含义。

这太强了，直接就给你找到，甚至把知识库上的截图都引用进来了。

我花了接近5个小时的时间才完成，真实太不容易了，希望大家点个赞，支持一下。

… 未完

5.1.3 创建聊天

提示引擎选项默认就可以了，不需要设置。如果需要设置，请鼠标放到参数对应的“❓”上面，就可以知道参数的含义。

[外链图片转存中…(img-rb8sT6ry-1746157559769)]

这太强了，直接就给你找到，甚至把知识库上的截图都引用进来了。

[外链图片转存中…(img-XGf0D2DG-1746157559769)]

我花了接近5个小时的时间才完成，真实太不容易了，希望大家点个赞，支持一下。

… 未完

由于篇幅太长，我准备把 DeepSeek+ragflow构建 Agent（智能体）放到下一篇讲解，敬请期待。

大模型岗位需求

大模型时代，企业对人才的需求变了，AIGC相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。
在这里插入图片描述

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；

• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；

• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术，也想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把全套AI技术和大模型入门资料、操作变现玩法都打包整理好，希望能够真正帮助到大家。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用