This is beauty

如何使用DeepSeek R1搭建本地知识库

一、‌基础部署方案（Ollama + Chatbox）‌‌

1.环境准备‌

  • 下载 Ollama 客户端，默认安装路径为 C 盘‌
  • 安装完成后，在终端执行 ollama list 确认环境正常

2.模型部署‌

  • 从 Ollama 官网获取 DeepSeek R1 模型指令（如 ollama run deepseek-r1 ），执行后自动下载模型文件至本地‌
  • 验证部署：终端输入 ollama list 显示已安装模型版本

3.知识库工具链搭建‌

  • 下载 Chatbox 客户端并安装，选择离线模式运行
  • 通过 Chatbox 上传本地文件（支持 PDF、Word、图片等格式），系统自动解析为向量数据库‌

4.功能验证‌

  • 在 Chatbox 输入框切换至 DeepSeek R1 模型
  • 测试问答：输入与知识库内容相关的问题，观察模型是否基于本地数据生成答案‌

二、‌高阶方案（Docker + RAGFlow）‌‌

0.先决条件

  • CPU ≥ 4 核 （x86）;
  • RAM ≥ 16 GB;
  • 磁盘 ≥ 50 GB;
  • Docker ≥ 24.0.0 和 Docker Compose ≥ v2.26.1。

1.容器化环境部署‌

  • 安装 Docker 并配置国内镜像加速：先下载安装Docker，然后打开 Setting-->Docker Engine，将下面的配置粘贴进去
    {
"builder": {
  "gc": {
    "defaultKeepStorage": "20GB",
    "enabled": true
  }
},
"debug": true,
"experimental": false,
"insecure-registries": [
  "registry.docker-cn.com",
  "docker.mirrors.ustc.edu.cn"
],
"registry-mirrors": [
  "https://docker.registry.cyou",
  "https://docker-cf.registry.cyou",
  "https://dockercf.jsdelivr.fyi",
  "https://docker.jsdelivr.fyi",
  "https://dockertest.jsdelivr.fyi",
  "https://mirror.aliyuncs.com",
  "https://dockerproxy.com",
  "https://mirror.baidubce.com",
  "https://docker.m.daocloud.io",
  "https://docker.nju.edu.cn",
  "https://docker.mirrors.sjtug.sjtu.edu.cn",
  "https://docker.mirrors.ustc.edu.cn",
  "https://mirror.iscas.ac.cn",
  "https://docker.rainbond.cc",
  "https://do.nark.eu.org",
  "https://dc.j8.work",
  "https://dockerproxy.com",
  "https://gst6rzl9.mirror.aliyuncs.com",
  "https://registry.docker-cn.com",
  "http://hub-mirror.c.163.com",
  "http://mirrors.ustc.edu.cn/",
  "https://mirrors.tuna.tsinghua.edu.cn/",
  "http://mirrors.sohu.com/"
]
}
  • 拉取 RAGFlow 项目
    git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker
git checkout -f v0.17.0 // 这个v0.17.0可以根据最新版替换
  • 修改.env文件，默认是slim模型，不包含嵌入模型，需要启用不带slim的配置，使ragflow包含嵌入模型，因为知识库必须使用嵌入模型
    # RAGFLOW_IMAGE=infiniflow/ragflow:v0.17.0-slim
RAGFLOW_IMAGE=infiniflow/ragflow:v0.17.0
  • 服务器启动成功后再次确认服务器状态：docker logs -f ragflow-server

2.知识库引擎启动‌

  • 进入项目目录运行 docker-compose up -d，启动 RAGFlow 服务
  • 访问 localhost 进入管理界面，需要先注册账号才可以登录管理界面

3.使用ollamase本地化部署DeepSeek R1

4.添加本地模型

添加本地模型：点击右上角的头像，在设置页面点击“模型供应商”，在列表中找到Ollama，点击其下方的添加模型。

  • 模型类型

    chat：语言（会话、聊天）模型。
    embedding：嵌入模型，用于将文本向量化。
    rerank：重排模型，用于对检索结果进行再次排序，在ragflow中创建助理时，默认使用矢量余弦相似性进行这一处理，除非指定了rerank模型。
    image2text：图片转文本模型。

  • 模型配置
  • 模型名称：必须与ollama中的名称一致，如想将deepseek-r1:7b添加为本地模型，就需要将其完整名称复制到文本框中。
  • 最大token数：根据需要填写，不超过8192，建议1024。
  • 基础Url填写：http://host.docker.internal:11434。
    因为ragflow是基于docker运行，但是ollama是直接安装在宿主机的，因此基础Url填写：http://host.docker.internal:11434

5.配置系统模型

在模型供应商中，点击右上角的系统模型设置。

聊天模型：deepseek-r1:14b
嵌入模型：BAAI/bge-large-zh-v1.5
Rerank模型：BAAI/bge-reranker-v2-m3

6. 添加知识库

参考

4.API 集成‌

  • 通过 RAGFlow 提供的 REST API 接口，将知识库能力嵌入现有业务系统
  • 支持设置访问权限、日志监控等企业级功能‌
分享