从零到一：RAGFlow 本地部署全攻略

RAGFlow 是一款开源 RAG（Retrieval-Augmented Generation，检索增强生成）引擎，核心卖点是“看得懂文档”。它把原本复杂的检索-生成链路打包成一条极简流水线，企业和个人都能即插即用。项目在 GitHub 上已斩获 4.8 万颗星，且还在加速吸粉——这份热度本身就是生成式 AI 应用圈子里“当红炸子鸡”的最佳注脚。

今天的分享，将带你一步步完成这款工具的本地部署。

第一步：获取项目源码
进入项目主页，点击右上角的 "Fork"，将其复制到你的个人 GitHub 账号下。随后，在你 Fork 后的仓库页面，点击 "Code" 按钮，选择 "Download ZIP"，将项目代码下载到本地。下载完成后，解压压缩包，并将其放置在你预先规划好的本地工作目录中。

先切到刚才解压出的目录，再进入里头的 docker 子目录，随后在该路径下启动 PowerShell。

首先，需要修改项目根目录下的 .env 配置文件。默认情况下，RAGFlow 安装的是轻量级模型，不包含嵌入（embedding）功能。通过调整 .env 文件中的相关参数，可启用并集成完整的嵌入模型，确保系统具备向量化处理能力。

下图是原始的.env 配置文件中嵌入模型状态

修改时，只需要在第一个框轻量级前加上 #，把第二个框的模型前去掉 #即可，可见对比图

在正式启动 Docker Compose 之前，得先改一下端口映射：机器里已经跑了 Dify，它把 80 和 443 占得死死的。为了避免冲突，把 RAGFlow 的端口改成 8080→80、8443→443 即可。

现在就可以输入命令，有两组命令可根据电脑进行选择

经过上面的步骤，现在 RAGFlow 就可以用 127.0.0.1:8080 打开了

登录RAGFlow后，先配置模型，填入相应的 API，系统会自动探测模型

其中，嵌入模型可选用 RAGFlow 内置的、专为中文优化的 BGE 模型（BAAI General Embedding）。该模型在中文语义理解方面表现优异，正是我们在前一步通过修改 .env 配置文件所启用的核心组件。

接下来就可以创建知识库，搭建属于自己的 Agent 了。搭建的一个属于你自己知识库及 Agent。

RAGFlow里的知识库不仅可以个人使用，也可以提供给团队使用，也是局域网使用知识库的解决方案之一。