RAGFlow 本地知识库 环境配置

需求

常用的大模型对于特定知识的问答需要提前录入数据，想试着本地搭建一套rag知识库，用于一些条例或者规则的查询回馈。目前尝试是使用RAGFlow搭一个本地的知识库，然后配合本地的语言模型或者在线大模型api来运行。
当然RAG的原理是将知识和问题都进行向量化，然后做匹配，最终结果再给大语言模型做汇总。所以其中的知识数据输入源、向量化模型、问题检索的排序模型等都会对提问结果效果差生不同程度的影响，这些也是后续优化需要去调整的。

ollama

假如想在本地跑跑ds这些模型，可以配置个ollama来运行模型，可选的替代很多xinference这些都可以。如果直接使用各大平台api的略过就ok了。

ollama配置

ollama官网
官网直接下载安装，安装完成后配置下两个环境变量就ok了，一个是OLLAMA_HOST，因为后续ragflow在docker里跑，需要让ollama监听所有的ip；一个是ollama的模型下载位置OLLAMA_MODELS，默认是在c盘。

OLLAMA_HOST:0.0.0.0
OLLAMA_MODELS:J:\ai\Ollama\model

ollama模型运行

ollama配置完成之后，直接在网站搜索对应需要的模型，复制运行指令到命令行就ok了，会自动下载完模型运行。

RAGFlow的配置

docker安装

跑RAGFlow的虚拟环境，一样也是官网安装就行了。安装完命令行跑下docker看看有没有信息就ok
docker

RAGFlow

配置也是很简单直接git文档说明照做就ok。
RAGFlow
基本就下面的图流程，拉代码，docker执行。需要注意的是，默认安装是轻量版，所以用到自带的embedding模型的话，还是需要改一下docker/.env 文件；然后使用GPU也记得区分一下对应指令。
拉镜像这部分需要可能比较长时间，可以加国内下载源。但我建议还是直接vpn方便快捷一些。

跑完没问题服务就启动了。打开网站注册登录就正常使用了，默认80端口，以后可以直接在docker里开关容器就行。
http://127.0.0.1/

RAGFlow知识库搭建

网站右上角设置里面，找到模型提供商，添加对应的ollama模型。模型名称按照ollama list的正确填写就行，ollama默认运行端口是11434。

添加成功之后，在模型设置里，选择需要的模型对象。聊天模型就是我们刚装的deepseek用于问答，嵌入模型选择内嵌的向量模型，之后的暂时用不到可以不管。例如img2txt是用于例如pdf等图片转文字的可以先不管，rerank则是用于答案向量检索的重排序优化等。

后续就可以在知识库页面建立自己的知识库了，填下关键的信息，其他的可以自己后面再去摸索研究。然后建立之后，往里面添加文本，关键记得解析文件，以解析的文件才能检索得到。

再往后就是在“聊天”界面构建新的聊天对象，记得选择对应的知识库，就可以进行对应的简单问答了。

还有很多功能和参数，就慢慢自己再去看了。

平台模型api

上面试着本地添加了ollama的模型，实际上使用时，如果需要用本地跑不了的模型，或者一些不想本地跑的，都可以直接到对应平台申请相应的api key，再到RAGFlow的模型提供商里面进行添加就ok。看说明一般都比间简单，照着添加有问题搜搜都能解决。

后话

实际上整个RAGFlow跑起来之后，对于一些复杂一些的知识库和问答，效果其实还是比较一般。需要进一步去调整对应的各阶段的解析模型，以及各种参数的调节等等。这些就是需要后续区别化去慢慢优化的地方了，这里纯当记录就不细说了。