【Ragflow】18.更好的推理框架：vLLM的docker部署方式

概述

看到不少人说“Ollama就图一乐，生产环境还得用vLLM”。

本文决定使用docker对vLLM进行部署，并解决模型配置中，IP地址的硬编码问题。

Ollama与vLLM风评比较

查询相关资料，Ollama与vLLM主要特点及对比情况如下[1]:

Ollama：轻量级本地大模型部署工具，面向个人用户和开发者，主打快速部署、低资源消耗和隐私保护。

vLLM：高性能大模型推理框架，由加州大学伯克利分校团队开发，专注生产级高并发、低延迟场景。

对比维度	Ollama	vLLM
模型支持	支持Llama2、Mistral等20+主流开源模型，提供量化版本（如q4/q8）	支持Llama、GPT-3等10+模型，原生适配HuggingFace生态
接口类型	提供REST API和命令行交互	兼容OpenAI API协议，支持gRPC/HTTP批量推理
扩展性	通过插件支持本地知识库增强	支持分布式推理、动态批处理和多GPU并行
单请求响应速度	中等（7B模型约5-10秒/请求）	高速（7B模型约1-3秒/请求，PagedAttention优化）
长文本处理	支持最大4K上下文，显存不足时易崩溃	支持16K+上下文，通过内存分页避免OOM
多任务并发	单线程为主，多并发时延迟显著增加	支持100+并发请求，吞吐量达Ollama的5-24倍

资料[2]展示了一个实验数据：使用Qwen2.5–14B-Instruct模型，vLLM 比 Ollama 取得了 10% 以上的提升(Ollama 约 25 token/sec vs vLLM 约 29 token/sec)

vLLM Docker部署

vLLM 支持源码部署、vllm serve部署、docker部署等多种部署方式。

为方便和其它容器进行统一管理，本文使用docker进行部署。

其它部署方式可参考vLLM文档。

vLLM文档：https://docs.vllm.ai/en/latest/getting_started/installation.html

1.模型下载

Ollama有自己的模型仓库，可以直接下载。vLLM 的模型则需要依托外部 modelscope、huggingface等这类模型仓库。

下面从 huggingface 中下载模型：

huggingface 模型仓库地址：
https://huggingface.co/models

以下载bge-m3和DeepSeek-R1-Distill-Qwen-1.5B模型为例，可运行以下的下载脚本：

import os
from huggingface_hub import snapshot_download# 1. 设置镜像源（国内加速）
os.environ["HF_ENDPOINT"] = "https://hf-mirror.com"# 2. 定义模型列表（名称 + 下载路径）
models_to_download = [{"repo_id": "BAAI/bge-m3",  # Embedding 模型"local_dir": os.path.expanduser("./models/bge-m3"),},{"repo_id": "deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B",  # LLM 模型"local_dir": os.path.expanduser("./models/DeepSeek-R1-1.5B"),}
]# 3. 遍历下载所有模型
for model in models_to_download:while True:  # 断点续传重试机制try:print(f"开始下载模型: {model['repo_id']} 到目录: {model['local_dir']}")snapshot_download(repo_id=model["repo_id"],local_dir=model["local_dir"],resume_download=True,  # 启用断点续传force_download=False,