前言

满血版DeepSeek虽然很好用，但仍然有三个主要缺陷：

1. 联网的DeepSeek无法解决数据安全问题，如果使用，数据将传输到其服务器，数据隐私性无法保证。
2. 上传的文件存在限制，无法解决有多个文件的问题。
3. 回答的内容存在幻觉，或是缺乏数据的泛泛而谈，不够精确。

为解决这三点问题，可采用RAGFlow+DeepSeek本地部署的方案。

1. 配置准备

这套方案对设备依赖性较高，因为需要使用Docker做部署+本地大模型进行推理，因此需要中高端设备。

以下我采用的设备配置为 i9-13900K + 64G内存 + 4090显卡，操作系统为windows10，实测发现，至少需要32G内存才能流畅运行。

2. DeepSeek本地部署

如何本地部署DeepSeek在我之前的文章《DeepSeek-R1论文阅读及本地调用》已详细写过，这里不做赘述，文章链接：https://blog.csdn.net/qq1198768105/article/details/145627633

主要是通过Ollama进行模型下载，deepseek-r1包含了以下几个版本，网站上有对应的参数量和所需显存，对于4090显卡24G显存来说，最大是部署32b参数的版本，实测下来，加上windows本身图形化界面所占显存，总共显存占用约为22.1GB。

这里有两点需要补充说明，下载完ollama，先不用急着下载模型，先配置两个环境变量：

• OLLAMA_HOST：0.0.0.0:11434

这里设置OLLAMA服务默认端口号为11434，这里设置该环境变量，方便后续RAGFlow进行服务访问

• OLLAMA_MODELS：设置为自己模型保存路径

OLLAMA默认的模型保存路径在C:\Users\用户名\.ollama，未避免挤占C盘控件，可先设置到其他盘。

配置完重启，环境变量生效。

之后，执行ollama run deepseek-r1:32b，即可自动下载32b的本地模型。

3. RAGFlow部署

首先理解一下RAG（Retrieval-Augmented Generation）的技术原理：

• 检索（Retrieval）：当用户提出问题时，系统会从外部的知识库中检索出与用户输入相关的内容。
• 增强（Augmentation）：系统将检索到的信息与用户的输入结合，扩展模型的上下文。这让生成模型（也就是Deepseek）可以利用外部知识，使生成的答案更准确和丰富。
• 生成（Generation）：生成模型基于增强后的输入生成最终的回答。它结合用户输入和检索到的信息，生成符合逻辑、准确且可读的文本内容。

通过这项技术，可有效减少模型的“幻觉”问题。

RAGFlow是基于RAG的一套大模型运行流水线，提供了完整的前端界面和数据存储方式，支持通过上传文件等方式，构建自己的知识库。

首先下载RAGFlow源码：https://github.com/infiniflow/ragflow

由于RAGFlow需要mysql、redis等数据库依赖，因此比较方便的做法是直接通过docker进行部署。

docker官网下载地址：https://www.docker.com/

准备好之后，开始部署流程：

3.1 修改源码镜像

仓库里docker文件夹下，有个.env文件，其默认的镜像是不带embedding的轻量化版本，所谓embedding就是通过模型将文件编码成特征向量，方便后续模型在搜索资料时进行相似度匹配。 具体操作方式是将第84行注释，第87行取消注释，如下图所示：

3.2 拉取镜像

中断进入到源码docker文件夹，执行

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

拉取完成后如图所示：

3.3 启动RAGFlow服务

再执行

docker logs -f ragflow-server

启动RAGFlow服务，此时通过浏览器访问localhost:80

此时进入到RAGFlow的登陆界面，需要通过邮箱和密码进行登录，这些信息都存在本地的数据库，因此可以随意设置，此功能方便同一团队不同成员通过不同的账号进行登录。

登录完成，进入到主界面。

3.4 配置模型

进入到设置界面，选择模型提供商，点击Ollama下面的添加模型。

这里模型类型选择chat，模型名称输入deepseek-r1:32b这里的名称需要和ollama中严格对应，如果忘了名称，可通过ollama list查看当前所有模型名称。

基础Url设置为http://本机ip:11434，最大token数尽可能设置大些即可。

3.5 配置数据库

进入到数据库配置界面，这里可以选择配置嵌入模型(embedding model)，它默认带了几个，如果是中文，设置带zh标记的模型。

配置完之后，上传文件，上传完之后，需要点击图中的运行键，执行文档解析，这样才能让模型访问到。

3.6 问答配置

配置完成之后，进入到聊天模块，创建自己的Ai智能体，即可进行问答。

这里放一组对比，首先我直接访问DeekSeek的官网，问它你知道M3FD数据集吗。

这个数据集的确是可见光和红外多模态数据集，但不是人脸检测数据，满血版的DeepSeek出现幻觉，回答错误。

下面我问一下我的专属Ai助理，我在知识库里，上传了一篇多模检测的论文，它的回答如下：

回答得很准确，并且给出了具体数据在参考资料具体出处。

4. FRP配置外部访问

搭建了这么好玩的一个玩意，自己玩可不行，还想给别人玩，下面就可通过云服务器实现外部的穿透访问。

在此之前，我已写过两篇文章，在我的云服务器上配置了Frps和Nginx的基础服务，因此一些初始配置方式不作赘述，文章链接：

1.【实用技巧】云服务器+FRP搭建自己的远程控制向日葵]：https://zstar.blog.csdn.net/article/details/145708943

1. 个人主页搭建全流程(Nginx部署+SSL配置+DCDN加速：https://zstar.blog.csdn.net/article/details/145135743

下面的目的是通过子域名来绑定转发RAGFlow的服务。

1. 首先在域名控制平台配置子域名解析

记录名为子域名开头，比如域名是zstar163.com，子域名是zz.zstar163.com，子域名开头即为zz，A记录，记录值为公网IP地址。

1. 配置frps.toml文件

在frps.toml文件中，加入两个变量：

vhostHTTPPort = 7005
subdomainHost = "主域名"

注意，这里新版的frp的变量名vhostHTTPPort和老版有所不同，老版的是vhost_http_port，这里被资料误导过。

配置完成后，重启服务端frps服务。

1. 配置frpc客户端

这里在Frpc Desktop里面添加一个http的代理，名称任意，主要是代理本机的80端口，子域名为之前解析的子域名开头。

1. 配置nginx文件

修改nginx配置文件，我的默认路径是/etc/nginx/nginx.conf

添加一个额外的server块，内容如下，子域名替换成待访问的完整子域名。

server {
    listen 80;
    server_name 子域名;

    location / {
        proxy_pass http://127.0.0.1:7005;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
        proxy_set_header X-Forwarded-Proto $scheme;
    }
}

配置完之后，重启nginx

sudo systemctl restart nginx

1. 完成访问

配置完之后，用户在浏览器内，访问子域名，服务器就先触发nginx的机制，将其转发到本机的7005端口，而这个端口信号又被frp转发到部署服务的80端口，最终实现了RAGFlow的穿透访问，出现登陆界面，完成访问。