DeepSeek教程：使用DeepSeeK和RAGFlow搭建本地知识库

你有没有在网上用过DeepSeek？作为一款强大的知识库管理工具，它能帮你从大量信息中提取和生成高质量的回答，但如果你对数据隐私比较敏感，或者处理的文件多得让网页版DeepSeek束手无策，那你可能会遇到一些难题。今天，我就带大家探讨一下，如何通过DeepSeek和RAGFlow本地部署，搭建属于你自己的个人知识库。

为什么不直接用网页版DeepSeek？

说到网页版的DeepSeek，它确实是个非常方便的工具，尤其是在快速获取信息时，但它也有一些你可能不喜欢的地方。最直接的就是隐私问题。所有的文件和数据都要上传到DeepSeek的服务器，万一你的数据特别敏感，那可就没办法保证100%的安全性了。

再有就是上传文件的数量限制。如果你有成堆的文件，比如一些专业的资料，网页版可能没办法一次性处理这么多数据。而且，上传、删除、修改文件的过程也比较繁琐，每次操作都得重新上传，感觉有点麻烦。

那怎么解决这些问题？

要解决这些限制，最简单的方法就是选择本地部署DeepSeek和RAGFlow。通过本地部署，你可以完全避免数据上传到外部服务器，确保了隐私性；同时，可以自由地上传和管理大量文件，打造一个更加个性化的知识库。

什么是RAG技术？

RAG（Retrieval-Augmented Generation）技术，说得通俗一点，就是模型先从外部知识库里检索相关的内容，再结合这些信息来生成更加准确的答案。其实就像开卷考试，你不需要死记硬背，只要知道从哪里翻资料就行。这种方法不仅能节省时间，还能提高回答的准确度。

RAG的工作流程大致是这样：

检索（Retrieval）：从你的知识库中检索出相关内容。
增强（Augmentation）：将检索到的内容和用户输入结合，形成更完整的上下文。
生成（Generation）：基于增强后的内容生成答案。

这样的技术可以帮助DeepSeek更加智能地利用知识库，实时生成准确且相关的答案。

什么是Embedding？为什么它很重要？

Embedding技术其实就是把自然语言转化成计算机可以理解的高维向量。你可以把它想象成是把“蟹堡王”和“比奇堡”放到一个向量空间里，虽然这两者不完全相同，但它们在语义上非常接近。而“深度学习”则会和它们相距很远。通过Embedding，系统能更好地理解用户输入的语义，找到最相关的内容来生成答案。

1、配置Ollama

第一步：安装 Ollama

Ollama 是开源 AI 工具中的一颗璀璨明珠！借助它，你可以在自己的电脑上运行像 GPT-4 和 DeepSeek 等强大的 AI 模型，简直比拿个超级计算机还方便！

前面我写过各个系统的安装教程，大家可以看一看：

在Windows系统上安装与配置Ollama

在macOS上安装与配置Ollama

在Linux系统上安装与配置Ollama

在Docker上安装与配置Ollama

第二步：配置环境变量

安装完成后，配置一下环境变量。具体步骤如下：

打开 Windows 设置，选择【系统】->【关于】，点击【高级系统设置】。
在弹出的窗口中，点击【环境变量】按钮。
在系统变量部分，点击【新建】，然后输入以下两个变量：

OLLAMA_HOST：设置为 0.0.0.0:11434（这是 Ollama 默认的模型下载地址）。
OLLAMA_MODELS：设置为你存放模型的路径，例如 E:\study\ollama。

配置好后，点击【确定】即可。

第三步：安装并运行模型

安装好 Ollama 后，我们可以通过命令行下载并运行模型。打开命令提示符（按 Win+R 输入 cmd），然后输入以下命令来安装 DeepSeek r1 模型：

    bash
    ollama run deepseek-r1:7b

ai_tutorial_deepseek_advanced_RAGFlow_Local_4

下载过程可能需要些时间，耐心等待即可。

安装完成后，通过以下命令查看是否成功安装：

    bash
    ollama list

ai_tutorial_deepseek_advanced_RAGFlow_Local_5

接下来运行模型，输入命令：

    bash
    ollama run deepseek-r1:7b

ai_tutorial_deepseek_advanced_RAGFlow_Local_6

你可以开始提问或者与模型进行互动啦！

2、下载 RagFlow：建议选择方法二

方法一：使用 Git 下载源代码

首先，安装 Git，安装过程只需要一键点击“下一步”即可。如果你尚未安装 Git，可以从 Git 官网获取。

安装好 Git 后，需要配置用户名和邮箱。打开 Git Bash，输入以下命令：

    bash
    git config --global user.name "Your Name"
git config --global user.email "your_email@example.com"

接下来，打开 Git Bash 或者命令行工具，输入以下命令来下载 RagFlow 源代码：

    bash
    git clone https://github.com/infiniflow/ragflow.git

如果下载过程中遇到网络问题，可以尝试以下命令清除代理设置：

    bash
    git config --global --unset http.proxy
git config --global --unset https.proxy

如果问题依旧，可以尝试修改 HTTP 版本：

    bash
    git config --global http.version HTTP/1.1

方法二：直接下载 RagFlow 源代码

这里我已经把源码整理到网盘了，获取链接我放到后面了，大家自行下载就好。下载完成后解压即可。

ai_tutorial_deepseek_advanced_RAGFlow_Local_13

下载完源代码后需要来配置下Docker，接下来跟着下面的步骤来安装Docker。

安装 Docker

如果你还没有安装 Docker，首先需要进行安装。Docker 支持 Windows 10/11 64 位的 Pro、Enterprise 或 Education 版本，且要求硬件支持虚拟化技术（例如 Intel VT-x 或 AMD-V）并且内存至少为 4 GB。

第一步：检查虚拟化设置

按 Ctrl + Shift + Esc 打开任务管理器，点击【性能】标签，查看“虚拟化”是否为“已启用”。
如果没有启用虚拟化技术，需要进入 BIOS 设置并启用它。一般来说，开机时按 F2 或 Del 键进入 BIOS 设置，找到虚拟化相关选项并启用。保存后重启。

第二步：安装 Docker

下载并安装 Docker Desktop：这里我已经把源码整理到网盘了，获取链接我放到后面了，大家自行下载就好。
安装完成后，启动 Docker Desktop。如果第一次运行 Docker，可能会提示你安装 Windows 子系统 Linux 2（WSL 2）。

第三步：启用 WSL 2

打开 PowerShell，运行以下命令来检查是否已安装 WSL：

    bash
    wsl -l

ai_tutorial_deepseek_advanced_RAGFlow_Local_9

如果没有安装 WSL，可以通过以下命令来安装：

    bash
    wsl --install

ai_tutorial_deepseek_advanced_RAGFlow_Local_10

按照提示完成安装后，重启你的计算机。

第四步：配置 Docker 以支持 WSL 2

安装后不用登陆不用设置任何东西，全部跳过。确保在 Docker Desktop 设置中启用了 WSL 2 后，重新启动 Docker 即可开始使用。

ai_tutorial_deepseek_advanced_RAGFlow_Local_11

第五步：配置 docker 镜像源

ai_tutorial_deepseek_advanced_RAGFlow_Local_12

    javascript
    {
  "registry-mirrors": [
    "https://registry.docker-cn.com",
    "http://hub-mirror.c.163.com",
    "https://docker.mirrors.ustc.edu.cn"
  ],
  "insecure-registries": [],
  "debug": false,
  "experimental": false,
  "features": {
    "buildkit": true
  },
  "builder": {
    "gc": {
      "enabled": true,
      "defaultKeepStorage": "20GB"
    }
  }
}

第六步：进入 Docker 文件夹，启动 RagFlow 服务

下载并解压 RagFlow 后，进入解压后的文件夹，找到 docker 文件夹。使用 Docker 启动 RagFlow 服务。

在启动服务前，首先需要修改 docker/.env 文件中的 RAGFLOW_IMAGE 变量。将其设置为：

    bash
    RAGFLOW_IMAGE=infiniflow/ragflow:v0.16.0

ai_tutorial_deepseek_advanced_RAGFlow_Local_14

ai_tutorial_deepseek_advanced_RAGFlow_Local_15

接下来我们开始部署 docker 镜像，按住 win+R 键，输入 powershell，点击回车。

之后输入 cd+刚刚下载的ragflow文件夹下的docker路径，输入docker compose -f docker-compose.yml up -d按回车。Docker会开始加载Ragflow镜像。这个过程大概需要15分钟，耐心等一下。

    bash
    docker compose -f docker-compose.yml up -d

ai_tutorial_deepseek_advanced_RAGFlow_Local_16

安装完成后。在浏览器地址栏输入 localhost:80，就能打开Ragflow的登录页面。

ai_tutorial_deepseek_advanced_RAGFlow_Local_17

在登录页面，你可以随便输入一个符合邮箱格式的账号注册，比如 example@demo.com。注意哦，第一个注册的账号默认是管理员账号，所以一定要记得保存好你的邮箱信息。

注册完成后，点击登录，就可以直接进入Ragflow的主界面了。放心，所有数据都保存在本地，不用担心泄露。

3、使用Ragflow

1.获取api-key

现在，我们需要获取一个API密钥。这个密钥是连接DeepSeek模型的关键。

由于官网服务器资源紧张，已暂停 API 服务充值，所以我们需要其他的方法来获取，具体请看这篇：【获取DeepSeek API】

ai_tutorial_deepseek_advanced_RAGFlow_Local_18

2.配置本地知识库

有了 API-Key 后，就可以正式开始配置啦。接下来，我们需要上传资料来创建一个本地知识库。DeepSeek 支持多种格式的文档上传，这点真的很贴心。无论是普通的 PDF 文件，还是扫描版的 PDF 文档，它都能轻松搞定。这样一来，即使是一些老旧的扫描件资料，也能被纳入知识库中，实用性非常高。

上传文件的操作也很简单，直接把文件拖进去就行了。上传之后呢，需要稍微等一会儿，等系统完成文档解析。解析的速度取决于文件的大小和复杂程度，不过效果还是很不错的。从解析结果来看，DeepSeek 的文档处理能力确实挺强，文字识别清晰准确，基本不用担心丢失重要信息。

3.创建对话助理

等文档解析完成后，接下来就是创建对话助理了。在这个步骤中，有一个关键设置需要注意：一定要在模型设置里把默认模型替换为 deepseek-chat，这样才能充分发挥 DeepSeek 的对话能力。设置完成后，你的对话助理就可以正式上线了！

这个对话助理可以用来干嘛呢？简单来说，它可以根据你上传的资料，回答各种相关问题。比如说，你上传了一份产品说明书，那么你可以直接问它产品的具体参数或者使用方法，它会根据知识库里的内容给出答案。这个功能简直是效率提升神器，特别适合需要快速查找信息的场景。

如果我不想本地部署，可以吗？

如果你觉得本地部署太麻烦，也可以选择使用在线的DeepSeek模型。在线模型的确方便，但也有一些缺点，最明显的就是隐私问题。毕竟你得将所有的数据上传到服务器。如果这些数据特别敏感，可能会让你不太放心。

另外，很多在线服务都提供免费额度，但一旦超过免费额度，后续就得收费了。长期使用下来，成本可能会逐渐增加。因此，如果你对隐私有较高的要求，或者需要处理大量文件，本地部署仍然是更理想的选择。

最后

说实话，虽然本地部署的过程有点繁琐，但一旦搭建完成，你就可以拥有一个完全属于自己的知识库，而且数据隐私得到保障，处理文件的速度和容量都不受限制。对于程序员来说，这样的搭建方式既能满足需求，又能提升工作效率。希望大家在搭建过程中能够有所收获，不管是对隐私的重视，还是对高效知识库管理的追求。

其实，真正的好处不仅仅在于隐私保护，更在于你可以根据自己的需求定制个性化的知识库，随时随地获得你所需要的信息。所以，哪怕有点复杂，还是值得一试的！

想深入了解DeepSeek的核心玩法扫描下方二维码加入微信群

阅读全文

使用DeepSeeK和RAGFlow搭建本地知识库