使用RAGFlow搭建本地知识库

说起本地知识库，可能很多人会觉得这是个很高大上的技术活儿，好像只有专业团队才能搞定。但今天要介绍的 RAGFlow，正在让这件事变得前所未有的简单------哪怕你是技术小白，只要跟着步骤来，也能搭建起属于自己的本地知识库系统。

为什么选择 RAGFlow

在说怎么搭建之前，先聊聊为什么 RAGFlow 能成为当前最火的本地知识库方案。

RAGFlow 是由 Infinity Intelligence 开发的一款开源 RAG（检索增强生成）引擎，目前在 GitHub 上已经收获了超过 80,000 颗星标。它的核心优势在于对文档的深度理解能力------不仅仅是简单的关键词匹配，而是真正能读懂文档的结构、表格、图片和排版格式。

拿一个实际场景来举例：假设你上传了一份包含复杂表格的 PDF 年度报告，传统的 RAG 方案可能会把表格内容切得七零八落，导致检索时无法获取完整的表格信息。而 RAGFlow 能够识别表格结构，保留表格的完整性，让问答更加准确。

目前的 v0.25.0 版本带来了多项重要更新，包括全新的解析管道、7 个新的文档解析模板，以及对 Seafile、RSS、DingTalk 等数据源的支持。知识图谱生成效率相比之前提升了 14 倍，从 8550 秒锐减至 608 秒。

硬件与软件环境准备

搭建本地知识库，硬件是基础。很多人担心自己的电脑能不能跑起来，这里给一个参考：

最低配置要求：

• CPU：4 核以上

• 内存：16GB 以上

• 磁盘：50GB 可用空间

• 显卡：如果要跑本地大模型（推荐），建议 NVIDIA 显卡，7B 参数模型需要 RTX 3060 Ti 或更高

当然，如果你不想在本地跑大模型，也可以选择调用云端 API（比如 OpenAI、DeepSeek、火山引擎等），这样对显卡要求就低很多，普通电脑也能流畅运行。

软件环境方面，你需要准备：

• Docker Desktop（版本 24.0.0 或更高）

• Docker Compose（版本 2.26.1 或更高）

• Git（用于下载源码）

Windows 用户直接去 Docker 官网下载 Docker Desktop 安装包，一路下一步即可。需要注意的是，如果你电脑上之前安装过 VMware 等虚拟机软件，可能需要先卸载，因为 Docker 默认使用 Hyper-V，可能会产生冲突。

Docker 环境配置

Docker 安装完成后，有一步至关重要的配置：设置 vm.max_map_count。这个参数对 Elasticsearch 的正常运行至关重要，如果不设置，启动 RAGFlow 时可能会遇到"Can't connect to ES cluster"的错误。

Windows 用户打开 PowerShell 或命令提示符，执行：

wsl -d docker-desktop -u root

sysctl -w vm.max_map_count=262144

Mac 用户执行：

docker run --rm --privileged --pid=host alpine sysctl -w vm.max_map_count=262144

Linux 用户编辑 /etc/sysctl.conf 文件，添加一行：

vm.max_map_count=262144

下载并启动 RAGFlow

环境配置好后，接下来就是下载 RAGFlow 了。打开终端，执行以下命令：

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

cd ragflow/docker

git checkout -f v0.25.0

这里指定了 v0.25.0 版本，这是目前最新的稳定版本。如果你想要最新功能，可以不执行 git checkout 命令，使用 nightly 版本。

启动服务之前，你需要修改 .env 配置文件。主要修改以下几项：

如果你在国内，需要取消注释 HF_ENDPOINT 这一行，设置为国内镜像：

HF_ENDPOINT=https://hf-mirror.com

然后执行启动命令：

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

注意：如果你有 NVIDIA 显卡，使用 docker-compose-gpu.yml 可以获得更好的性能。没有显卡的用户使用 docker-compose.yml 即可。

启动完成后，查看日志确认服务状态：

docker logs -f docker-ragflow-server-1

看到下面这样的输出就说明启动成功了：

基础配置：让系统跑起来

服务启动成功后，打开浏览器访问 http://服务器IP（默认端口 80），会看到登录页面。首次使用需要注册账号，点击注册后登录即可。

登录后第一件事是配置大语言模型。点击右上角的 Logo，选择"模型供应商"

RAGFlow 支持非常丰富的大模型选择：

• 云端 API：OpenAI GPT 系列、Anthropic Claude、DeepSeek、通义千问、火山引擎、豆包等

• 本地部署：通过 Ollama 支持 DeepSeek、Qwen、Llama 等开源模型

如果你选择使用 Ollama 本地部署模型，需要先下载安装 Ollama，然后在终端中下载所需模型：

ollama run qwen3.5:9b

在 RAGFlow 中添加 Ollama 时，基础 URL 填写 http://host.docker.internal:11434，API Key 留空，最大 token 数根据模型能力设置。

配置完成后，还需要进行系统模型设置，分别选择默认的聊天模型、嵌入模型等。

创建你的第一个知识库

模型配置好后，就可以创建知识库了。点击页面上方的"知识库"选项卡，然后点击"创建知识库"。

进入配置页面后，需要设置以下参数：

嵌入模型选择：这个一旦选择并用于解析文件后就无法更改，所以要根据实际需求选择合适的模型。常用的嵌入模型包括 BGE、Text2Vec 等。

分段方法：RAGFlow 提供了多种分段模板，适应不同的文档布局：

• naive_：通用文档，适合大多数场景

• table_：带表格的文档

• paper_：学术论文

• book_：书籍

• laws_：法律法规

• presentation_：PPT 和幻灯片

• manual_：用户手册

• qa_：问答格式文档

配置完成后，进入知识库的详情页面。

上传文档与解析

点击"+ 添加文件"，RAGFlow 支持多种格式：

• 文档：PDF、DOC、DOCX、TXT、MD

• 表格：CSV、XLSX

• 图片：JPEG、JPG、PNG

• 幻灯片：PPT、PPTX

上传完成后，点击文件右侧的"播放"按钮开始解析。解析过程会根据文档大小和复杂度耗时不同，首次使用时会下载相关模型，请确保网络连接正常。

解析完成后，可以点击文件查看分段结果。RAGFlow 会展示文档被切分的各个片段，你可以预览每个片段的内容，确认切分是否符合预期。

如果发现切分不够精确，可以双击某个分段，手动添加关键词或修改内容。这个过程叫做"干预解析"，是 RAGFlow 的一大特色------它让你能够精细控制知识库的质量。

开始对话

知识库准备就绪后，点击"聊天"选项卡，创建一个新的对话。

在聊天设置中，需要指定要关联的知识库。还可以设置"空回复"行为------选择"不启用"时，如果检索不到相关信息，系统会如实告诉你"我不知道"；选择启用后，系统会尝试在没有检索结果时基于自身能力回答。

配置完成后，就可以在对话框中提问了。RAGFlow 会从你的知识库中检索相关片段，结合大语言模型生成回答，并且会标注引用的来源，让你知道答案来自哪份文档的哪个部分。

数据源扩展：连接更多内容

v0.25.0 版本支持从多种在线数据源同步数据：

• AWS S3

• Google Drive

• Notion

• Confluence

• Discord

• Seafile

• RSS

• 钉钉

这意味着你不必手动上传所有文档，可以让 RAGFlow 自动从这些平台同步最新内容到知识库中。对于团队协作场景，这个功能非常实用。

常见问题与解决方案

启动时报错"Can't connect to ES cluster"：这是因为 vm.max_map_count 没有正确设置，回到前面的配置步骤重新设置即可。

文件解析卡在 1% 不动：如果使用的是精简版镜像，可能需要手动下载嵌入模型。检查日志确认具体原因。

解析在接近完成时卡住：检查 Docker 日志，查看是否有内存不足或网络超时的问题。

友情提示：

知识库的质量很大程度上取决于文档的质量和分段策略。在创建知识库前，建议先整理好文档格式，去除无关内容，这样才能获得最佳的问答效果。