本教程首发于内部实操分享群，群内成员可免费查看此教程，实操群目前已更新：2，如何在公众号写文章，单篇涨粉3000+，收益1000+；3，如何利用DeepSeek+AIGC工具免费生成短视频和头像；以上内容只是部分，想要查看全部内容，欢迎加入实操群，添加下方微信即可加入：当DeepSeek以低成本的优势横空出世后，一时间江湖上到处都是它的身影。对于个人来说，deepseek的出现极大节省了我们构建个人知识库的成本。之前已经介绍过两种知识库搭建的方式，都得到了读者朋友的喜爱。有粉丝朋友提出，能不能再出一个RAGFlow的个人知识库和智能体搭建流程，对于宠粉的晓棠哥来说，必须安排一波。先说明一下，本文99%内容可免费阅读，剩下1%的内容需要付100微信豆。免费内容已经涵盖了如何在本地部署RAGFlow并接入deepseek构建个人知识库的全过程，后面的付费内容是利用RAGFlow搭建一个智能体Agent，付费内容占比极少！对做智能体有兴趣的读者可以支持一下晓棠哥，如果你免费部分看了有收获，也可以付费支持一波晓棠哥，给晓棠哥赏杯茶喝！话不多说，开始今天的教程，我将从以下6个步骤来完成RAGFlow个人知识库和智能体的搭建：4，RAGFlow接入ollama的向量模型和deepseek-r1模型；1，进入docker官网，选择合适自己系统的版本下载，我这里用的是windows系统演示，所以我下载的是windows系统的版本。在window环境下，docker需要依赖虚拟环境才能运行，一个是Hyper环境，一个是wsl环境。对于搭建个人知识库来说，我们只需要选择轻量级的wsl环境即可，如果你的docker在启动的时候报下面图片上的错误，那就说明你的windows系统中不存在这个wsl。解决方式很简单，只需要打开Power Shell，在命令行中运行以下的命令即可。wsl --update
再打开一个新的窗口执行上面的命令，当显示wsl已经最新版本的时候就说明wsl的运行环境我们就安装更新好了。还有一个要注意的是，如果你的机器资源不够，一定需设置wsl使用的内存大小和CPU核心数，不然跑起来可能会把你的计算机资源都消耗完，造成电脑卡顿。1，按win+r键，输入：%UserProfile%，回车；3，新建一个.wslconfig文件，文件内容如下：[wsl2]memory=10GB swap=0localhostForwarding=trueprocessors=10
其中memory就是代表你给它的内存资源大小，processors就是代表你给它的CPU核心数是多少。这两个值对于不同的电脑配置来说是不一样的，读者们可以反复调试选出最佳的组合，其他两个字段不用动，保持默认即可。在添加这个配置文件增加参数之前，如果你已经打开docker了，就打开Power Shell，在命令行输入以下语句先停止wsl的运行wsl --shutdown
执行这段语句后，不出意外的话docker又会报刚开始同样的错，因为它的运行环境已经被我们杀死了，不管他，点击quit退出，然后再重启docker，重启后如下图所示：经过以上的步骤，docker就已经在我们的电脑上安装配置好了，上图就是已经配置好的效果。接着，我们去github上下载ragflow，这里有两种下载方式，一种是git命令下载，一种是直接下载安装包。第一种还需要安装git和注册账号比较麻烦，所以咱们直接下载安装包。https://github.com/infiniflow/ragflow点击右边蓝色的图标按钮，展开后选择“Download ZIP”选项卡，就会开始跳转下载。下载完成后，进入到下载的目录解压文件，你会看到以下的内容因为我们要在doker中运行，所以点击docker，双击进入，内容如下所示因为默认的配置中，ragflow默认是没有嵌入模型的，所以我们要修改一下配置，让它安装的时候选择有嵌入模型的版本。打开第一个.env文件，将文件拉到下面的位置，将v0.16.0-slim修改为v0.16.0，修改后如下图所示：经过以上几步，我们在docker中安装RAGFlow的准备工作就已经完成了。进入到RAGFlow文件所在的docker目录，在右侧空白区域点击鼠标右键，选择“在终端中打开”。点击后，就会打开Power Shell命令行，接着输入以下的启动命令：docker compose -f docker-compose.yml up -d
输入完成后直接回车，docker就会自动帮我们去下载RAGFlow所需要依赖的安装包。这里让它慢慢下载，下载完成后就会显示成功的信息，并且在docker中就帮我们启动成功RAGFlow了。这时，我们再打开浏览器输入：localhost，就能跳转到ragflow的界面了当你看到上面的界面，就代表RAGFlow已经成功部署并启动！进入到登录界面之后，我们需要先注册一个账号，点击【注册】按钮就可以进到注册的界面。在创建账号的页面中，输入邮箱账号密码，这里的所有数据都是存在本地的，所以你可以随意填写这些信息，只要符合规则就行；信息填完后点击【继续】按钮，就会返回到登录页面，这个时候只要把账号密码输入就可以登录成功了，登录成功后的界面如下图：此时，我们已经成功安装了RAGFlow并且登录成功，接下来就可以开始使用了，不过在此之前我们还需要先在RAGFlow中接入ollama。04 RAGFlow接入ollama的向量模型和DeepSeek模型在搭建个人知识库之前，咱们还是要先在RAGFlow中接入一个向量模型和deepseek-r1模型。向量模型就是在anything中用到过的nomic-embed-text向量模型，因为用本地自己装的向量模型切割上传文档比较快，r1大模型更是咱们的老朋友了。引入这两个模型到RAGFlow一共有以下3个步骤：2，安装完成ollama之后，下载nomic向量模型和deepseek-R1的7B模型，打开两个Power Shell窗口，分别输入下面两条下载命令:
ollama pull nomic-embed-text
ollama run deepseek-r1:7b
输入完成后，执行回车，就会开始下载，当屏幕上显示success字样的时候，就代表下载完成了！点击右上角的English按钮，先把语言选择为简体中文。此刻我们点击左边第三个选项，点击选择【模型提供商】在右边的界面中我们选择ollama，点击【添加模型】的按钮。接下来就会弹出一个模型添加页面，在里面按照下图内容输入:模型类型为embedding，表明这是一个向量嵌入模型；模型名称为nomic-embed-text，就是我们刚才下载的向量模型。这里需要注意的是url填写的地址，因为ragflow是在docker容器运行的，而ollama的模型是在Windows系统系运行，所以这里的url得要填宿主机的ip，在这里填下面这个url即可：http://host.docker.internal:11434
这里的深层原理大家不必深究，简单的说就是让docker以为这是一个公网域名，而实际上访问的是宿主机的ip地址，这个地址是在host里面做了映射的。如法炮制，我们再添加一个接入deepseek-r1模型的，只是类型和模型名称改一下，其他一样即可等deepseek和nomic两个模型都接好之后，就会在模型界面显示出来两个模型了。我这里为了演示方便，只接了一个嵌入模型，deepseek我用的是官方的API，模型界面设置好后如下图所示：当向量模型和deepseek都接入到RAGFlow之后，我们就可以在RAGFlow中搭建个人知识库了，步骤如下：1，点击【知识库】选项，再点击右边的【创建知识库】；3，点击左边的【配置】按钮，再点击右边的【嵌入模型】选项卡；6，点击保存后页面会自动跳转到【数据集】，这是点击右上角【新增文件】按钮，再点击【本地文件】；7，点击上传文件后，在下方会显示上传了哪些文件，没有问题点击【确定】即可；8，文件上传后处于未解析状态，点击右边的绿色图标，开始解析文件到向量数据库中；9，解析完成后，原本未解析的按钮会变成【成功】，这时就代表已经成功将我们的文件解析并放入到向量库中，我们可以对他进行检索了。10，点击【检索测试】，在文本框中输入测试的问题并点击【测试】按钮，稍等片刻，答案就会出现在右边，这个答案就是从我们的知识库中检索出来的！所有步骤的操作流程都非常清晰，读者们只要耐心一点，就可以搭建一个基于RAGFlow的个人知识库！以上，咱们的免费部分内容就结束了，接下来就是付费内容，利用RAGFlow来实现一个智能体。有兴趣的朋友，可以付费购买，继续跟着晓棠哥的步伐实操起来！对比起Anything来说，RAGFlow还多了一个智能体Agent的模块，这就是RAGFlow比较高级的功能了。有了这个智能体模块，我们可以把任务编排成一个个的工作流，来实现复杂的业务需求场景！接下来咱们就来整一个知识库结合deepseek大模型的智能体，让他帮我们从知识库中检索出内容并且让大模型来帮我们总结，步骤如下：1，点击上方的【Agent】选项，再点击【创建Agent】按钮；4，这时就会进入到一个智能体搭建的页面，如下图所示：5，从左边的选项卡中，依次拖入【对话】、【知识检索】和【生成回答】卡片；
