构建私有化AI知识库：基于CentOS的Ollama + DeepSeek-R1 +ragflow 整合部署教程-EW帮帮网

操作系统：CentOS 7.9
CPU：支持 AVX 指令集的 x86_64 处理器
内存：64GB
存储：SSD 1TB 以上
GPU（可选）

一、组件介绍

Ollama

Ollama 是一个专为在本地机器上部署和运行大型语言模型（LLM）而设计的开源框架。它提供了一种便捷的方式来加载、运行和管理不同的自然语言处理（NLP）模型。主要特性包括：

支持多种 AI 模型：可运行 LLaMA、DeepSeek、Mistral 等不同的 LLM。

本地推理：支持离线运行，适用于私有化部署。

轻量级管理：提供简单的 CLI 命令，无需复杂配置。

DeepSeek-R1

DeepSeek-R1 是一种语义搜索模型，专注于通过深度学习算法对文本和数据进行语义理解和匹配。主要特点包括：

语义检索能力：在海量文档或数据集中进行高效搜索，超越传统关键词匹配。

对标 OpenAI o1：提供全面、详实的回答，能够生成结构化的输出。

适用于知识库增强（RAG）：可结合 LLM 提升问答系统的准确性。

Ragflow

Ragflow 是一个 RAG（Retrieval-Augmented Generation）框架，旨在提升 AI 知识库的检索能力和生成效果。其核心功能包括：

文档索引与向量化：基于 DeepSeek-R1 进行高效检索。

检索增强生成（RAG）：结合 Ollama 提供基于上下文的智能回答。

可扩展性强：支持本地或云端部署。

二、Ollama 安装与配置

# 下载并安装 Ollama  Ollama 的安装脚本默认从国外服务器下载，国内访问较慢。可以使用代理或者手动下载。

#下载ollama_install.sh并保存
curl -fsSL https://ollama.com/install.sh -o ollama_install.sh

#使用github文件加速替换github下载地址
sed -i 's|https://ollama.com/download/ollama-linux|https://gh.llkk.cc/https://github.com/ollama/ollama/releases/download/v0.5.7/ollama-linux|g' ollama_install.sh

#增加可执行权限
chmod +x ollama_install.sh

#执行sh
sh ollama_install.sh

2.1 ollama常用命令

# 下载（拉取）指定 AI 模型
ollama pull <model-name>  # 例如 ollama pull deepseek-r1

# 运行指定 AI 模型并进行对话
ollama run <model-name>  # 例如 ollama run deepseek-r1

# 交互式对话模式
ollama chat <model-name>

# 列出本地可用模型
ollama list

# 删除本地模型
ollama rm <model-name>

# 创建或修改自定义模型
ollama create <model-name> -f <modelfile>

# 停止所有运行中的 Ollama 服务
ollama stop

# 启动 Ollama 后台服务（通常会自动运行）
ollama serve

三、部署Ragflow 进行 RAG 整合

3.1 需要安装git和docker-compose（建议v2.29版本及以上）

# 安装 Docker Compose（用于管理 Ragflow 相关服务）
wget https://github.com/docker/compose/releases/download/v2.29.0/docker-compose-linux-x86_64

# 移动 Docker Compose 到系统目录
mv docker-compose-linux-x86_64 /usr/local/bin/docker-compose

# 赋予执行权限
chmod +x /usr/local/bin/docker-compose

# 验证安装是否成功
docker-compose --version

# 克隆 Ragflow 代码仓库
git clone https://github.com/ragflow/ragflow.git

# 进入 Ragflow Docker 目录
cd ragflow/docker

# 赋予启动脚本可执行权限
chmod +x ./entrypoint.sh

# 通过 Docker Compose 启动 Ragflow
# 该命令会在后台运行 Ragflow 相关服务
docker-compose -f docker-compose.yml up -d

如果启动报错 Error response from daemon: invalid IP address in add-host: "host-gateway"是由于Docker 版本过旧：host-gateway 是 Docker 20.10.0 及以上版本才支持的功能。如果暂时无法升级 Docker，可以 删除 extra_hosts 里的 host-gateway，或者换成：

extra_hosts: - "host.docker.internal:172.17.0.1"

如图

其中 172.17.0.1 是默认的 Docker 网桥网关（你也可以 ip a 看 docker0 的实际 IP）

修改后成功启动，使用ip+80端口可以访问到主页,注册一个账号然后登录。

四、使用RAGFlow

点击头像可以自定义一写配置，主要是先添加模型；我们是本地化部署了ollama所以选择本地模型，当然如果不想本地部署也可以选择DeepSeek、Tongyi等官方的key，但是这些数据就会发到公网。

添加chat模型

模型选择chat；

模型名称和ollama list中的chat模型名字一致；

基础url：http://host.docker.internal:11434 （docker访问宿主机要用host.docker.internal，ollama的端口是11434）；

最大token 随便填的。

注意：ollama默认运行在127.0.0.1网段上，在ollama.service文件中添加

vi /etc/systemd/system/ollama.service

#在Environment= 后面加入
"OLLAMA_HOST=0.0.0.0:11434"

#重启ollama
systemctl daemon-reload
systemctl restart ollama.service

确保Ollama服务监听在本机上的所有网络接口上的指定端口上，从而允许从多个网络位置访问服务。

添加 Embedding 模型

系统模型设置中选择已添加的模型

创建知识库

上传之后选择解析方法

1. General（通用解析）
功能定位作为基础解析器，处理常规文档（如TXT、PDF、Word、网页等），提取文本内容及基础结构（标题、段落、列表）。
技术特点
依赖格式解析库（如PyPDF2、python-docx）提取原始文本。
可能结合NLP进行基础分句或段落分割，但保留原文整体性。
2. Q&A（问答解析）
功能定位
专门处理问答形式的内容，将文档中的问题与答案结构化存储。
技术特点
使用规则匹配（如正则表达式）或序列标注模型识别"问题-答案"对。
可能结合语义相似度模型对相似问题进行聚类。

3. Table（表格解析）
功能定位
识别并提取文档中的表格数据，保留行列结构与数据类型。
技术特点
对扫描文档使用OCR表格识别（如Tesseract+OpenCV）。
对电子文档（Excel/Word表格）解析行列元数据。
可能结合模式匹配修复复杂合并单元格结构。

4. One（单文档解析）
功能定位
将整个文档视为不可分割的单一文本单元处理。
技术特点
跳过分块或分段，保留完整上下文。
可能结合长文本编码模型（如BERT的滑动窗口）生成嵌入。
5. Knowledge（知识解析）
功能定位
从文本中提取结构化知识（实体、关系、事件），构建知识图谱。
技术特点
使用NER模型（如Spacy、BERT-NER）识别实体。
关系抽取模型（如联合编码模型）建立实体间关联。
事件抽取技术识别时间、地点、动作等要素。

选择建议
内容类型：表格数据选Table，问答文档用Q&A，短文本用One。
任务需求：需实体关系选Knowledge，通用检索用General。
性能权衡：Knowledge解析计算成本高，General/One更轻量。