应用RAG（Retrieval Augmented Generation，检索增强生成）构建本地知识库，并与LLM（大模型）相结合，可有效解决LLM知识更新难问题，已成为专业领域智能问答的首选，下面就以Ollama+RAGFlow为例构建本地知识库应用。

1、基本原理

详见：

[LLM]：检索增强生成技术：RAG_llm rag技术-CSDN博客

2、下载并安装Ollama

下载并安装Ollama，Ollama是一个本地化部署大模型的工具，它提供简洁的命令行界面和丰富的功能选项，支持llama3、Phi3、Qwen、Gemma、Mistral等大模型，即便是普通用户也可以在本地快速部署和应用大模型。

      

3、在Ollama中下载模型

安装好Ollama后，桌面工具栏会出现图标，启动cmd窗口直接输入Ollama，可以看到Ollama的主要命令及使用方法。

。

下面以安装阿里千问大模型为例，执行以下命令：

ollama pull qwen2:7b

等待模型安装完毕即可输入问题。

Ctrl+D可退出ollama并返回cmd窗口。

接下来下载embedding模型（嵌入式模型），它将本地知识库进行向量化处理，执行命令：

ollama pull shaw/dmeta-embedding-zh:latest

使用以下命令可以查看已安装的模型：

ollama list

4、安装Docker

下载并安装Windows | Docker Docs

安装好和启动Docker Desktop。

（#此项非必须#）如果觉得命令行使用大模型不方便，也可在Docker安装Open WebUI，它可提供一个类似于ChatGPT的WEB界面使用大模型，命令如下：

docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main

安装好后Docker显示如下：

访问http://localhost:3000/即可在WEB方式下使用ollama安装的大模型。

5、在Docker安装RAGFlow

运行以下命令：

git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker
docker compose -f docker-compose-CN.yml up -d

核心文件大小约为9GB，需要一段时间才能完成加载，完成后可执行以下命令检测服务器状态：

docker logs -f ragflow-server

执行命令后如显示以下图形，表示安装成功。

然后网络浏览器中，输入服务器的IP地址（http://localhost/）即可登录RAGFlow（首次登录需进行注册）登录后设置为简体中文。

6、在RAGFlow中配置模型

（1）配置embedding模型

点击右上角“设置”，选择“模型提供商”，选择Ollama并添加模型。

           

设置模型类型为“embedding”，输入模型名称和模型Url后“确定”即可（IP地址就是本机IP，默认端口为11434）。

（2）配置chat模型

配置方法同上。

配置好模型后，可选择Ollama“展示更多模型”查看。

7、在RAGFlow中配置知识库

（1）创建知识库，选择模型

回到RAGFlow首页，进入“知识库”，选择“创建知识库”。

输入知识库名称，分别设置“语言”为“中文”、“嵌入模型”为“shaw/dmeta-embedding-zh:latest”。“解析方法”需根据自己创建的知识库类型进行选择，系统给出了每种方法的分块方法说明，以及支持的文件类型。

设置完成后“保存”。

（2）上传知识库文件

保存知识库设置后，系统自动进入数据集设置，选择“新增文件”，加载本地需上传的知识库文件（文件格式要符合知识库设置时限定的文件格式）。

我这里是简单构建了一个关于网络安全法的问答数据集。

（3）解析文件

点击解析状态下的开始解析文件，解析成功后就可以使用了。

8、知识库应用

进入“聊天”，选择“新建助理”，在助理设置页面设置“助理姓名”，选择该助理要使用的知识库。

在模型设置页面选择要使用的模型，并选择“确定”。

接下来就可以在聊天窗口开始使用集成了本地知识库的大模型了。

选择设置好的助理，提出问题。

系统回答问题时会注明使用到的知识库文件，鼠标移动到回答内容的处，还会提示使用了知识库文件的哪些内容。