写在前面

为什么采用Dify+RAGFlow的方案？

采用Dify+RAGFlow组合方案，能充分发挥两者优势，高效落地企业级智能应用。Dify凭借可视化操作界面和灵活的工作流编排能力，可快速对接主流大模型，降低开发门槛，帮助企业敏捷搭建智能问答、对话交互等应用。而RAGFlow专注于RAG技术优化，通过先进的向量检索与语义理解技术，深度整合企业内文档、数据库等多种数据源，精准匹配用户需求，有效减少大模型幻觉问题。两者协同工作，Dify负责上层应用部署与交互体验设计，RAGFlow作为底层知识引擎提供数据支撑，最终形成从知识管理、精准检索到智能应答的完整闭环，满足企业复杂场景下的智能化需求。

本文的特色：

在学习部署Dify和RAGFlow的过程中，我发现网络上缺乏完整的0-1教学内容。现有的教程大多只涉及单一工具的部署，当尝试同时部署时，常出现端口冲突问题，且对于外部知识库API的配置方法也鲜有说明。即使少数教程有所涉及，内容也存在不完整、步骤缺失等问题，导致初学者难以完成实践操作。

因此，本文旨在提供一套系统、完整的部署指南，避坑环境搭建、端口冲突、API配置等关键环节，帮助小白顺利实现Dify与RAGFlow的联合部署与应用。

01

配置Ollama

这步的目的是安装本地大模型供Dify调用，如果已通过LMStudio安装本地大模型或者接入在线大模型均可跳过此步骤。

1、安装Ollama

https://ollama.com/

2、修改模型安装路径

Ollama默认会把模型安装到C盘，导致C盘爆炸，所以要修改模型安装路径

（1）选择一个空闲磁盘创建专门存放模型的文件

（2）打开环境变量-系统变量-新建，创建一个变量名为Ollama_models，变量值为浏览目录-存放模型文件的路径

（3）重启电脑，检查环境变量是否还存在

3、下载模型

（1）打开https://ollama.com/search-选择模型-复制代码

（2）Win+R输入cmd运行命令行-粘贴代码

（3）下载完成检查是否安装到模型所选路径

（4）测试大模型是否成功安装

cmd打开命令行

输入ollama，显示所有命令

输入ollama list，显示已安装的模型列表

输入ollama run deepseek-r1:1.5b

02

配置Docker

1、安装Docker

https://www.docker.com/

2、修改Docker镜像路径

Docker默认会把镜像安装到C盘，导致C盘爆炸，所以要修改安装路径

3、勾选Enable host networking

4、验证是否安装成功

Win+R输入cmd运行命令行-输入Docker，若出现Docker命令则代表安装成功

03

配置RAGFlow

1、下载RAGFlow并解压

https://github.com/infiniflow/RAGFlow

2、修改配置

RAGFlow默认会下载轻量版本，轻量版是没有自带的Embedding模型的，需要单独下载部署Embedding模型（类似第一步中使用Ollama部署DeepSeek-R1），我觉得比较麻烦，所以在这一步直接修改配置使其下载全量版。

（1）进入RAGFlow-main\Docker，使用记事本打开.env文件

（2）找到RAGFlow_IMAGE=infiniflow/RAGFlow:vx.xx.x-slim

3、安装Docker镜像

（1）进入Docker文件，选中文件路径输入cmd+回车

（2）安装镜像

不要用官方给的命令安装（docker compose -f docker-compose.yml up -d），因为安装后容器名称默认为docker，且如果再使用官方的命令安装Dify，会和RAGFlow共用一个容器，不易区分，因此需要重新设置容器名称

输入以下代码安装，大概需要20分钟

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

（3）安装成功后会显示如下图

4、打开RAGFlow

（1）在浏览器中输入http://localhost:80（RAGFlow默认使用80端口打开）

（2）注册账号进行登录

04

配置Dify

1、下载Dify并解压

https://github.com/langgenius/dify

2、修改端口

若Dify和RAGFlow在同一主机安装，则会出现端口被占用的情况（80端口被RAGFlow占用），需要提前修改端口。

（1）将.env.example文件修改为.env文件

（2）打开.env和将docker-compose.yaml文件，将所有的EXPOSE_NGINX_PORT=80改为5201，EXPOSE_NGINX_SSL_PORT改为8443，建议选用5001-9999之间的数字

3、安装Docker镜像

（1）进入Docker文件，选中文件路径输入cmd+回车

（2）安装镜像

不要用官方给的命令安装，输入以下代码安装

docker compose -p dify -f docker-compose.yaml up -d

4、打开Dify

（1）在浏览器中输入http://localhost:5201/install

（2）注册账号进行登录

05

在RAGFlow中配置知识库

1、添加本地模型

（1）Ollama

添加Ollama模型-按图示选择（模型名称必须为全称，不能自己设置）

（2）LMStudio

启动LMStudio并加载一个本地模型-开启在局域网内提供服务-在RAGFlow中按图示添加

2、添加在线模型

选择一个模型平台-进入开放平台-注册账号-申请APIKey-输入

3、设置默认模型

4、创建知识库

（1）输入名称

（2）配置解析文档方案

（3）上传并解析文件

（4）检索测试

06

在Dify中连接RAGFlow知识库

1、连接外部知识库

2、任意填写外部知识库名称、知识库描述

3、添加外部知识库API

（1）name：任意写

（2）API Endpoint：如果没改RAGFlow的端口，则默认9380，如果改了可在Docker中查看并自行更换

http://host.docker.internal:9380/api/v1/dify

（3）API Key：打开RAGFlow-API-创建APIKey

4、外部知识库ID

打开RAGFlow-进入知识库页面-网址中的id=即为id

5、召回测试

07

在Dify中创建应用测试

1、配置模型

本步骤跟在RAGFlow中配置本地/在线模型一样，只多了安装对应模型插件的工作

2、创建应用编排测试

至此，从本地部署到连接外部知识库的教程已完结。

08

RAGFlow后续的探索方向

在我使用RAGFlow进行PDF文档解析时遇到了一个问题，RAGFlow解析部分PDF的效果并不好，换了几个解析方案都没有解决，如果有懂的朋友欢迎给我指点方向🙏。

后续我要研究不同的文档适合的解析方案以提高检索的质量（我们单位除了常规的PDF、Word等文档外，还会有一些科研数据，格式五花八门），如果大家在这方面有什么心得也请不吝赐教。

大模型算是目前当之无愧最火的一个方向了，算是新时代的风口！有小伙伴觉得，作为新领域、新方向人才需求必然相当大，与之相应的人才缺乏、人才竞争自然也会更少，那转行去做大模型是不是一个更好的选择呢？是不是更好就业呢？是不是就暂时能抵抗35岁中年危机呢？

答案当然是这样，大模型必然是新风口！

那如何学习大模型 ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。但是具体到个人，只能说是：

最先掌握AI的人，将会比较晚掌握AI的人有竞争优势。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

但现在很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是，基于此我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习路线完善出来！

在这个版本当中：

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型路线+学习教程已经给大家整理并打包分享出来, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全咨料，放心领取）👈

​

一、大模型经典书籍（免费分享）

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套大模型报告（免费分享）

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、大模型系列视频教程（免费分享）

四、2025最新大模型学习路线（免费分享）

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取

👉CSDN大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全资料，放心领取）👈

​