记录在ubuntu系统上本地私有化deepseek大模型

配置说明

1. 软件配置说明

• cuda工具配置说明
  
• ubuntu系统版本说明
  

2. 硬件配置说明

CPU：Intel 12400F
DRAM：32G
GPU：NVIDIA 4060Ti 16G
主存容量：512G

RagFlow安装和部署

前置条件

• CPU >= 4 核
• RAM >= 16 GB
• Disk >= 50 GB
• Docker >= 24.0.0 & Docker Compose >= v2.26.1

docker的安装可以参考 Install Docker Engine ，官方给出的文章自行安装进去后里面可以在Supported platforms这个标题下选择对应的系统安装，这里我选择的ubuntu系统，接着根据官方的教程一步一步安装即可。

【tips】在完成docker的安装以后，建议提前更换docker使用的镜像源，在/etc/docker/daemon.json文件中添加对应的源，具体教程可以在网上寻找一下，当然也可以跟着ragflow官方的教程走，有更换源的操作。此处有一个不便利之处，因为本人的ubuntu用户账号未添加root权限，所以在这里可以将docker添入root用户组，默认拥有sudo权限，这样就不用在每次使用docker命令时，需要添加sudo关键字

	$ sudo groupadd docker
	$ sudo gpasswd -a ${USER} docker
	$ sudo service docker restart

安装

1. 拉取ragflow项目

	$ git clone https://github.com/infiniflow/ragflow.git

【tips】这一步如果说通过git拉取速度不快的话，建议直接采用魔法方法：ragflow项目界面>code>Download ZIP直接下载，或者找国内的其他网站如gitee等网站，下载到本地需要存放的位置，然后解压缩。

2. 进入 docker 文件夹，利用提前编译好的 Docker 镜像启动服务器：

	$ cd ragflow/docker
	$ docker compose -f docker-compose.yml up -d

【tips】根据官方教程，运行上述命令会自动下载 RAGFlow slim Docker 镜像 v0.17.0-slim。请参考原文查看不同 Docker 发行版的描述。如需下载不同于 v0.17.0-slim 的 Docker 镜像，请在运行 docker compose 启动服务之前先更新 ragflow/docker/.env 文件内的 RAGFLOW_IMAGE 变量。比如，你可以通过设置 RAGFLOW_IMAGE=infiniflow/ragflow:v0.17.0 来下载 RAGFlow 镜像的 v0.17.0 完整发行版。

• slim和非slim版本之间的区别在于，是否自带embedding模型，这两个版本之间的大小差距在7-10GB之间，因此在下载之前需要考虑本地磁盘容量是否足够，本人下载使用的非slim版本，大小为18.3GB，slim版本大概在9-10GB上下
  
  此外还需要注意，在镜像拉取完成之后，需要注意这里是否对应的镜像已经完整了，使用docker images命令查看镜像是否齐全，权限不够的在命令前面添加sudo docker images查看即可。

3. 查看docker容器内组件运行情况

	$ docker logs -f ragflow-server

在docker镜像拉取以后，默认会启动镜像内容，接着就可以通过上述命令查看是否启动成功 ，启动成功应该是如下标志：

【tips】如果发现没有出现这个界面，可以进入ragflow/docker/ragflow-logs这个路径，查看ragflow_server.log文件中的内容，这里记录了ragflow运行过程中出现的问题，再进行逐一排查。

• 需要注意在上述工作完成之后，不是要进入如下的两个网址：
• http://127.0.0.1:9380
• http://本地IP:9380
  而是要进入：http://localhost:80 先注册账号，是下面这个页面，账号符合邮箱地址，密码随便设置，反正数据都是保存在本地的:
  

4. 注册登录

   在上图的界面中注册，然后登录就来到如下界面：
   

5. 配置模型

   搭建好ragflow之后，我们就需要考虑为ragflow挑选LLM模型，通过点击>右上角头像>左侧菜单栏模型提供商，选择合适的模型启动引擎即可，这里因为本地配置了ollama，所以使用ollama直接使用即可：
   

配置Ollama大模型启动引擎

1. 从官网下载Ollama模型加载器，官网给出的Linux下载命令是，其他系统的根据官网提示即可：

	$ curl -fsSL https://ollama.com/install.sh | sh

【tips】使用这个下载的速度会非常慢，可能会卡死或者提示下载几天，建议可以从国内第三方网站下载，如魔塔社区等，通过这种方式下载的模型，就需要ollama文件中，通过命令行的方式安装ollama，这里我以魔搭社区中的提示为例：

	$ cd ollama-linux
	$ sudo chmod 777 ./ollama-modelscope-install.sh
	$ ./ollama-modelscope-install.sh

安装完成后，一般系统会自动运行，输入以下命令，查看ollama是否已经安装完成：

	$ ollama -v

安装成功会出现如下标志：

	$ ollama version is 0.6.0

2. 修改配置

   在下载完成ollama模型后，不要急着去下载模型，建议在本地修改以下配置后在考虑下载模型：

   ① 因为ollama默认下载的位置会将模型下载至如下地址/usr/share/ollama/.ollama/models，非常不利于我们查看和修改对应的信息，而且通常一个LLM模型的存储空间占用都是大几个GB或者几十GB起，最好根据自己的实际情况，放在相对安心的位置比较好；
   ②考虑到接下来，ollama在启动模型后是需要在本地部署并支持被外部访问，因此还需要添加ollama的本地地址使用0.0.0.0，否则默认启动会启用只有本机系统可用的127.0.0.1回环端口，这也就意味着前面在docker中部署的ragflow作为外部应用无法访问。
   基于上述问题，特此在/etc/systemd/system/ollama.service中的[Service]这一个下面导航栏下，添加以下信息：

	# 模型下载地址设置，其中/xxx/可以根据自己的实际情况设置绝对地址或相对地址
	Environment="OLLAMA_MODELS=/xxx/ollama/models"
	# 访问端口设置
	Environment="OLLAMA_HOST=0.0.0.0"

修改完上述文件后，对ollama重新加载并更新配置：

	# 刷新配置
	$ sudo systemctl daemon-reload
	 
	# 重启ollama
	$ sudo systemctl restart ollama.service
	 
	# 查看一下重启后的ollama运行状态
	$ sudo systemctl status ollama

3. 下载模型

   在完成上述内容之后，可以开始在ollama官网寻找对应的大模型进行下载：

一般说来，采用的命令如下：

	$ ollama run deepseek-r1:14b

等待命令完成后，在前面设置的模型存放路径下，就可以发现对应的模型参数文件。

默认模型下载完成后，会进入模型加载模式，输入/bye即可退出

配置ragflow+ollama实现deepseek-r1本地部署

1. 配置端口
   
   在前文RagFlow安装和部署 的5.配置端口标题中界面所示，选中ollama模型>添加模型，即可出现当前界面，模型类型选择chat(聊天模型)，模型名称通过ollama ls命令中所展示NAME列即可。
   
   【tips】需要注意的是对于基础Url的选择，由于我的RagFlow配置采用的docker方式，所以说对应的url选择上就需要采用host.docker.internal:11434的方式访问

2. 配置本地知识库

   接下来我们就可以创建知识库了
   
   
   关于嵌入模型的选择上，选择一个前文所提到的非slim自带的嵌入模型即可，但是由于ragflow自带的embedding模型似乎只会调用cpu进行解析，所以这里建议可以使用ollama自己部署，步骤同上，即可通过gpu调用的形式加载embedding模型，加快文档解析速度。
   
   之后点击数据集>新增文件>本地文件或者新建空文件，即可实现文件上传，解析文件后，在聊天界面实现和模型畅快的聊天。
   

可能存在的问题汇总

1. 【划重点】善用日志排查问题

• ollama运行过程中遇到问题，使用如下命令查看ollama日志：

	$ journalctl -u ollama -f

• ragflow运行过程中遇到问题，同前文【tips】中所示，查看对应的日志文件即可

2. ragflow提示某个镜像组件未启动

如Can’t connect redis，无法链接redis库

	# 查看已经启动的docker容器
	$ docker ps
	# xxx表示对应的ragflow需要的组件
	$ docker start ragflow-xxx

3. ragflow提示缺少某个组件

   问题描述：如Failed to resolve ‘minio’ ([Errno -3] Temporary failure in name resolution)
   解决方法：docker中重新抓一个镜像组件下来

	$ docker pull ragflow-minio

4. 常用docker和ollama的帮助命令：

 $ docker -h
 $ ollama -h