RAGFlow 知识库

RAGFlow本地化部署（Windwos）

2025 年 3 月 11 日

RAGFlow本地化部署全指南，助力提升Dify知识库性能。核心内容： 1. 从Dify到RAGFlow的转变原因 2. RAGFlow的下载与配置修改步骤 3. Docker部署RAGFlow的具体操作指导

之前一直在使用Dify，虽然我觉得很好用，但是对于Dify的知识库，确实有一点点不满意，简单的使用还行，稍微复杂点的就跟不上节奏了，之前我就说过Dify可以外接RAGFlow作为外部知识库使用，所以今天我们就来聊聊如何本地化部署RAGFlow。

一、下载RAGFlow

有条件的小伙伴可以直接去github上获取ragflow的源代码，这里就不多说，文末我也会给大家提供当前版本（0.17.0）的下载文件。

下载完成后，解压到你需要放置的目录下即可。

二、修改RAGFlow配置文件

在解压后的ragflow文件夹中，我们进入docker文件夹，找到到配置文件.env，打开该文件然后搜索下面这一行：

 RAGFLOW_IMAGE=swr.cn-north-4.myhuaweicloud.com/infiniflow/ragflow:nightly

默认是注释掉的，我们把这一行的注释去掉，这是huawei的镜像源，如果不去掉注释，可能不是完整的ragflow

以防默认端口冲突，我们可以调整RAGFlow的端口映射，默认的是80，我们调整为8888。

我们在ragflow/docker/docker-compose.yml文件中找到ports字段，然后修改其中的端口映射，将80:80改为8888:80，443:443改为8443:443。

三、使用Docker拉取镜像依赖

我们启动cmd，然后跳转到ragflow中的docker文件夹，命令如下：

cd /d d:\webapp\ragflow\docker

然后执行以下命令拉取RAGFlow的镜像依赖：

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

这部分会比较耗时，我这边就截图两张，开始和结束，中间下载的东西比较多。等到全部显示running就说明镜像依赖全部拉取成功。

然后可以使用命令，查看服务状态，命令如下，上图也显示了：

docker logs -f ragflow-server

四、登录RAGFlow并配置模型

在浏览器输入：http://localohost:8888/login

即可进入RAGFlow的登录页面，点击注册后，填写任意邮箱和密码，会提示注册成功，然后点击“登录”按钮即可。

进入系统后，默认是英文系统，可以在右上角选择语言更改为中文：

到这儿我们就完成了部署，下面我们先进行模型设置。点击右上角头像，进入设置页面，选择模型提供商选项，就可以看到内置的模型供应商列表：

我们以火山引擎的模型添加为例，简要说一下。

找到我们需要添加的模型，点击添加模型，会弹出添加LLM弹框：

按照要求填写对应的信息，点击确定即可添加模型，我这里添加了DeepSeek-R1和V3模型：

到这儿，我们就基本完成了RAGFlow的本地化部署，并设置好了火山引擎提供的DeepSeek大模型。！

立即咨询 JOTO

JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。联系 JOTO 获取 AI 落地咨询

留下你的场景和痛点,我们帮你判断从哪一步开始。