当前位置：首页 > news >正文

大模型实战一、Ollama+RagFlow 部署本地知识库

news 文章来源：https://blog.csdn.net/xiaoqi270620903/article/details/142051057 2025/5/10 10:37:35

大模型实战一、Ollama+RagFlow 部署本地知识库

参考你提供的文章，这里是基于 Windows 系统通过 Docker 安装部署 RagFlow 和 Ollama 的本地化大模型知识库的详细教程。本文将指导你如何在 Windows 上使用 Docker 来设置 RagFlow 和 Ollama 环境，并安装通义千问2 7B大模型和支持中文的 Embedding 模型。

在 Windows 上通过 Docker 安装和部署 RagFlow 和 Ollama

1. 环境准备

确保你的系统满足以下条件：

Windows 10 或更高版本
Docker Desktop 已安装并启用 WSL 2 后端

1.1 安装 Docker Desktop

如果你还没有安装 Docker Desktop，请按照以下步骤进行安装：

下载 Docker Desktop：Docker Desktop 官网
运行安装程序，按照提示完成安装。
启用 WSL 2 后端：
- 打开 Docker Desktop，进入 Settings > General，勾选 “Use the WSL 2 based engine”。
- 确保已安装并启用了 WSL 2。可以参考微软官方指南来完成 WSL 2 的安装和启用。

1.2 启动 Docker Desktop

安装完成后，启动 Docker Desktop，确保 Docker 正常运行。可以通过命令行验证 Docker 版本来确认安装成功：

docker --version

2. 安装 RagFlow 和 Ollama

RagFlow 和 Ollama 是用于管理和部署大模型知识库的关键工具。

2.1 拉取 Ollama 镜像

Ollama 是一个专注于大语言模型管理的工具，使用 Docker 容器来运行模型。

在终端中运行以下命令来拉取 Ollama 镜像：
```
docker pull ollama/ollama
```

运行 Ollama 容器：

docker run --rm -it --name ollama-cli ollama/ollama:latest

2.2 安装 RagFlow

RagFlow 是一个用于构建和管理信息检索生成流的工具。我们可以使用 Docker 容器来安装 RagFlow。

拉取 RagFlow 镜像：
```
docker pull ragflow/ragflow:latest
```

运行 RagFlow 容器：

docker run --rm -it --name ragflow-cli ragflow/ragflow:latest

3. 安装通义千问2 7B 模型

通义千问2 7B 是一个中文语言模型，可以用于构建本地化知识库。

3.1 下载并安装通义千问2 7B 模型

使用 Ollama CLI 来下载通义千问2 7B 模型：
```
ollama pull tongyi/qwen-7b-chat
```
这将下载并准备模型以便于后续使用。

3.2 运行模型容器

使用 Ollama 运行通义千问2 7B 模型：
```
docker run --rm -it --name qwen-7b-chat ollama/tongyi-qwen-7b-chat
```
你可以通过指定模型参数和配置来调整模型的运行行为。

4. 设置支持中文的 Embedding 模型

为了使 RagFlow 能够处理中文文本并进行向量化，我们需要安装一个支持中文的 Embedding 模型，例如 m3e-base。

4.1 安装 transformers 和 sentence-transformers 库

创建一个 Docker 容器来安装和运行 Python 及相关库：

docker run --rm -it --name embedding-env python:3.8-slim bash

在容器内部安装所需的库：

pip install transformers sentence-transformers

4.2 下载和加载 Embedding 模型

我们可以使用以下 Python 代码来加载 m3e-base 模型：

from sentence_transformers import SentenceTransformer# 加载中文嵌入模型
embedding_model = SentenceTransformer('moka-ai/m3e-base')

你可以将上述代码保存为脚本，并在 Docker 容器中执行它。

5. 整合 RagFlow 和 Ollama，构建本地知识库

现在，我们可以通过 RagFlow 和 Ollama 集成来构建一个本地化知识库系统。

5.1 初始化 RagFlow 项目

在 Docker 容器中初始化一个新的 RagFlow 项目：

docker exec -it ragflow-cli ragflow init my-local-knowledgebase
cd my-local-knowledgebase

5.2 添加中文 Embedding 和模型配置

编辑 config.yml 文件，配置 RagFlow 使用 Ollama 模型和中文嵌入：

embedding:model: "moka-ai/m3e-base"retriever:type: "local"index_path: "./index"model:type: "ollama"model_name: "tongyi/qwen-7b-chat"container_engine: "docker"

5.3 构建知识库索引

将你希望添加到知识库的中文文档或文本进行索引。假设我们有一些中文文档放在 data/ 目录中：

docker exec -it ragflow-cli ragflow index --data-dir ./data

5.4 运行知识库查询服务

使用 RagFlow 启动查询服务：

docker exec -it ragflow-cli ragflow serve

你现在可以通过 REST API 或命令行工具查询本地化的中文知识库。

6. 测试部署

通过命令行或 HTTP 请求测试你的本地化知识库：

curl -X POST http://localhost:8000/query -H "Content-Type: application/json" -d '{"query": "通义千问2的主要功能是什么？"}'

7. 完成部署和调优

根据实际需求进一步调优模型和检索配置，添加更多的自定义功能和业务逻辑。

总结

通过以上步骤，你已经成功在 Windows 系统上通过 Docker 部署了一个本地化的大模型知识库，结合 RagFlow 和 Ollama，安装了通义千问2 7B 模型和中文 Embedding 模型，构建了一个支持中文问答的系统。这种设置适用于企业内部知识管理、自动化客服、智能问答等场景。