以下是一份在 Ubuntu 系統上本地部署 RAGFlow 的詳細教程。
一、基礎環境準備
1.硬件要求
–CPU ≥ 4核
–RAM ≥ 16 GB
–磁盤空間 ≥ 50 GB（建議 SSD）

2.系統配置

更新系統

sudo apt update && sudo apt upgrade -y

設置內核參數（Elasticsearch 必需）

sudo sysctl -w vm.max_map_count=262144
echo “vm.max_map_count=262144” | sudo tee -a /etc/sysctl.conf # 永久生效

二、安裝 Docker 與 Docker Compose
1.卸載舊版本（如有）

sudo apt remove docker docker-engine docker.io containerd runc
2.安裝依賴與 Docker

sudo apt install apt-transport-https ca-certificates curl gnupg-agent software-properties-common
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -
sudo add-apt-repository “deb [arch=amd64] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable”
sudo apt update
sudo apt install docker-ce docker-ce-cli containerd.io
3.安裝 Docker Compose v2.26.1+

sudo curl -L “https://github.com/docker/compose/releases/download/v2.26.1/docker-compose-$(uname?s)?$(uname -m)” -o /usr/local/bin/docker-compose
sudo chmod +x /usr/local/bin/docker-compose
4.配置國內鏡像加速
創建 /etc/docker/daemon.json：

Json {
“registry-mirrors”: [“https://docker.1panel.live”, “https://dockerproxy.cn”]
}
重啟服務：
sudo systemctl daemon-reload
sudo systemctl restart docker

三、部署 RAGFlow
1.克隆倉庫

git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker
chmod +x ./entrypoint.sh # 授予執行權限
2.啟動服務（默認使用 CPU 版本）

docker compose -f docker-compose.yml up -d
注：GPU 加速需使用 docker-compose-gpu.yml（需已安裝 NVIDIA 驅動） 。
3.驗證服務狀態

docker logs -f ragflow-server # 出現 “RAGFlow is running!” 即成功
4.訪問 Web UI
瀏覽器打開：http://<服務器IP>:8080（默認端口 8080，可在 .env 中修改 SVR_HTTP_PORT） 。

四、配置 Ollama 本地模型
1.安裝 Ollama

curl -fsSL https://ollama.com/install.sh | sh
2.修改配置文件（監聽所有 IP）

sudo vim /etc/systemd/system/ollama.service
添加兩行：
Ini [Service]
Environment=“OLLAMA_HOST=0.0.0.0:11434”
Environment=“OLLAMA_MODELS=/path/to/ollama_cache” # 自定義模型存儲路徑
重啟服務：
sudo systemctl daemon-reload
sudo systemctl restart ollama
3.下載模型（如 DeepSeek-R1）

ollama run deepseek-ai/deepseek-r1:latest

?? 五、RAGFlow 模型與知識庫配置
1.Web UI 中添加 Ollama 模型
–登錄 RAGFlow → 右上角頭像 → 模型供應商 → 選擇 Ollama
–填寫信息：
?模型名稱：deepseek-r1（與 ollama list 名稱一致）
?基礎 URL：http://<服務器IP>:11434
?最大 Token：4096

2.設置系統模型
–聊天模型：選擇剛添加的 deepseek-r1
–嵌入模型：推薦 shaw/dmeta-embedding-zh:latest（需先通過 Ollama 下載）

3.創建知識庫
–知識庫 → 新建知識庫 → 上傳文檔（支持 Word/PDF/Excel 等）
–配置解析方法（按文檔類型選擇模板）

4.新建助理并測試
–聊天 → 新建助理 → 綁定知識庫 → 開始問答測試

?? 六、常見問題解決
?端口沖突：修改 ragflow/docker/.env 中的 SVR_HTTP_PORT，重啟服務。
?鏡像拉取慢：確保 Docker 鏡像加速配置生效（見第二.4步）。
?Ollama 連接失敗：檢查防火墻是否放行 11434 端口，確認 OLLAMA_HOST 配置正確。
?模型加載錯誤：確認 Ollama 模型名稱與 RAGFlow 中填寫一致，且已下載完成。

💎 總結
本教程覆蓋了從系統配置到模型集成的全流程，關鍵點包括：
1.內核參數 vm.max_map_count 對 Elasticsearch 至關重要；
2.Docker 鏡像加速可大幅提升部署效率；
3.Ollama 需配置為 0.0.0.0 監聽以實現跨容器通信；
4.知識庫支持的文檔類型豐富，解析方法需匹配文件格式。