本文详解如何使用DeepSeek+RAGFlow构建私有知识库，解决网页版三大痛点：数据隐私、文件限制和维护困难。通过6步全流程实现本地部署，包括安装Ollama、拉取DeepSeek模型、配置Docker与RAGFlow等。提供常见问题解决方案和替代方案，帮助用户在完全离线环境中实现自然语言查询内部文档，适用于处理敏感数据的企业和个人用户。
【导语】:
这份 PDF 是一份“2026 年 1 月 1 日新鲜出炉”的实战笔记，作者“工厂仿真世界-龙老师”把过去 踩过的所有坑，浓缩成一份「DeepSeek + RAGFlow 构建个人/企业私有知识库」的完整通关攻略。
下面按“为什么要这么干 → 到底要干成什么样 → 具体怎么干 → 第二天开机怎么复现”四个层次，给你一次说透。
一、为什么要“脱网”折腾？——网页版 DeepSeek 解决不了的 3 个硬痛点
数据隐私
网页版会把文件上传到官方服务器，敏感制度、标书、配方一旦出境就不可控。
文件数量/体积天花板
网页版一次 3～5 个文件、单文件 10～20 MB 是常态，几百份 Word、PDF、PPT、Excel 直接传爆。
维护噩梦
每次对话都要反复上传；想删改一篇制度，得把所有文件重新拖一遍，根本无法版本管理。
二、最终要干成什么样？——两个“开箱即看”的 Demo
Demo 1：制度问答
上传《蟹堡王员工规范》后，提问“怎么接待一车沙丁鱼”，系统直接给出 6 步 SOP，并标明出处页码。
Demo 2：技术手册问答
把 Plant Simulation 工厂仿真的相关文档拖进去Ragflow，问“介绍一下仿真和建模概念”，答案把“问题识别→模型构建→仿真求解→结果分析” 4 步法一次性总结，并注明引用章节。
三、技术路线 30 秒讲清
本地跑 DeepSeek（Chat 模型）→ 解决“大脑”
本地跑 RAGFlow（自带 Embedding+向量库）→ 解决“记忆”
两者通过 Ollama 的 REST API 对接 → 实现“开卷考试”式回答
流程：用户提问 → Embedding 转向量 → 检索文本块 → 把文本块塞进 Prompt → DeepSeek 生成答案。
四、落地 6 步全流程（照抄就能跑）
步骤 0 机器准备
Win10/11 或 Ubuntu 22.04，16 GB 内存 + 50 GB 空余硬盘，BIOS 打开虚拟化。
步骤 1 装 Ollama
① 官网下载一键安装包 → ② 把OLLAMA\_HOST=0.0.0.0:11434写进系统环境变量 → ③ 重启电脑。
（目的：让 Docker 里的 RAGFlow 能访问宿主机上的模型。）
步骤 2 拉 DeepSeek 模型
ollama pull deepseek-r1:1.5b
备注: 用pull拉取或者run运行的命令都可以。
步骤 3 装 Docker-Desktop & 拉 RAGFlow 镜像
国内网络记得在 Docker Engine 里加镜像源；选择带 Embedding的版本。
步骤 4 调整 docker-compose.yml
把对外端口改成
- 8880:80
- 4443:443
防止和本地 80/443 冲突；保存后docker compose -f docker-compose.yml up -d。
步骤 5 首次登录配置
浏览器访问https://localhost:8880→ 注册管理员账号 →
① “模型提供商”里新增 Ollama，BaseUrl 填http://宿主机IP:11434，模型选 deepseek-r1:1.5b → 显示“绿色更新成功”；
② “系统模型设置”把 Chat 模型设成刚添加的 deepseek，Embedding 用自带的text-embedding-v1。
步骤 6 建库 → 上传 → 开聊
“知识库”→ 新建 → 拖入 PDF/Word/Excel → 选择General解析模板 → 等待切片完成 → “聊天”页新建助手 → 绑定知识库 → 开问。
五、常见 问题& 对应解决方案
Docker 起不来
报错
Can't access Redis99% 是 Redis 容器没启动 → 把 Docker-Desktop 升级到最新，或手动docker start ragflow-redis。宿主机 IP 写错
Win 用户
Win+R → cmd → ipconfig拿 IPv4 地址，不要写127.0.0.1。11434 端口被防火墙拦截
控制面板 → 高级设置 → 入站规则 → 新建 TCP 11434 允许。
第二天开机忘了启动顺序
口诀：
① 先起 Ollama（看右下角羊驼图标）→ ② 再起 Docker-Desktop → ③ 终端进docker\目录docker compose -f docker-compose.yml up -d→ ④ 浏览器localhost:8880登陆 → ⑤ 如果模型报红，把 Ollama 重启一次。
六、想更快？——“不本地部署大模型”方案
仍本地跑 RAGFlow（数据留在本机）。
Chat 模型用官方在线 API（DeepSeek/Qianwen），Embedding 用 RAGFlow 自带。
七、 一些经验
版本：生产环境可以用非最新版本完整镜像，别追最新 tag。
端口规划：
8880 → RAGFlow Web
11434 → Ollama API
5455 → MySQL
6379 → Redis
避免与现有 80/443 冲突。
【总结】:
“本地 DeepSeek 负责动脑，RAGFlow 负责翻书，Ollama 负责搭桥”，把这套组合拳打好，你就能在完全离线的环境里，用自然语言秒查任何内部制度、手册、实验报告。
如何学习AI大模型？
如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！
这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！
第一阶段：从大模型系统设计入手，讲解大模型的主要方法；
第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
100套AI大模型商业化落地方案
大模型全套视频教程
200本大模型PDF书籍
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
LLM面试题合集
大模型产品经理资源合集
大模型项目实战合集
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
