原创 张龙斐 2025-04-01 22:48 浙江
Datawhale干货
作者：张龙斐，Datawhale鲸英助教
上一次我们学习了如何部署ragflow，本次我们学习如何使用ragflow+dify搭建本地问答系统。
为什么要和dify结合呢，是因为dify的智能体功能非常强大，ragflow中虽然有类似的功能，但是并没有dify那么强大；但是ragflow可以解决dify解析和检索短板。
对应的，ragflow的资源消耗比较大，大家可以注意一下！
最后，如果大家有疑问和建议非常欢迎批评指正！
面向人群：计算机小白
阅读时间：10分钟
安装dify
- 确保电脑上安装了docker，git，vscode三个软件
首先在文件夹中点击鼠标右键，open git bash here，之后执行命令：git clone https://github.com/langgenius/dify.git --branch 0.15.3。完成后关闭git bash窗口，可以看到有一个dify的文件夹，打开这个文件夹并进入到docker文件夹下，右键菜单栏点击在终端中打开。
之后在终端中逐行执行以下命令：
copy .env.example .env
# 复制环境文件
copy middleware.env.example middleware.env
# 复制环境文件
docker compose -p dify up -d
# 启动为dify名称，避免compose冲突看到9个容器都在运行中即是部署成功了。此时打开docker容器可以看到dify后端运行情况：
找到上次存放ragflow的文件夹，进入docker中，用vscode打开docker-compose.yml文件，修改其中的端口。
之后在此文件夹（路径一定要正确，相当于在特定的房间里启动这台机器）下右键打开命令行，输入： docker compose up -d
可以看到ragflow服务也成功启动了，避免了端口冲突。当然这里也可以命名为ragflow服务docker compose -p ragflow up -d
搭建本地问答系统
创建ragflow知识库+ragflow api
这里我们可以继续选择使用deepseek的api来搭建，也可以设置为本地或者其他服务的接口。
输入网址：localhost:8080 打开ragflow界面，填入注册的账号和密码登录。
文档解析会非常慢，请大家耐心等候，目前没有找到批处理的方案，手动一个一个点击解析吧（据我测试一次解析3个比较稳妥）
这一步我们创建ragflow的API，以便之后接入dify中。
ragflow进行本地问答
- 进行检索测试，测试检索命中准确度如何
- 直接使用搜索功能查询名词，或者给出解释。
- 聊天这里创建简易的智能体
- 这里我们可以邀请团队成员一起使用这个知识库
Dify与ragflow联通
同样的我们在浏览器地址栏输入：localhost:80 即可打开Dify
图中第4步骤需要填本地ip地址，http://本地IP:8080/api/v1/dify
apikey为上一步创建的ragflow api，复制填入即可。
本地ip 查看方法：打开powershell，输入 ipconfig，找到下图对应的IPv4地址：
之后我们点击下图所示的
可以看到我们的知识库是调用成功了。
Dify的使用
我们可以看到这里有非常多的模型配置选择，在ragflow中有embedding模型和rerank模型，不过它们都没有发布为api，无法调用。这里我们可以去硅基流动平台或者阿里百炼平台或者火山引擎，它们都提供了多种模型的api服务，申请api后填入key即可。
在探索页面有非常多的应用开发模板提供，按照自己的应用场景选择合适的即可，比如我想要一个社会学领域知识深度搜索的应用，就选择DeepResearch模板。
最后我们开发好工作流应用就可以啦，把配置好的应用发布为服务或者API都可以。
应用启动与更新
浏览器分别输入：localhost:80 与 localhost:8080 打开dify 和 ragflow。
docker compose down
git pull origin main
docker compose pull
docker compose up -d同时，请更新环境变量配置：
- 如果 .env.example 文件有更新，请同步更新您本地的 .env 文件。检查 .env 文件中的所有配置项，确保它们与您的实际运行环境相匹配。您可能需要将 .env.example 文件中的新变量和更新后的值添加到 .env 文件中。
Rag最全梳理：《最全梳理：一文搞懂RAG技术的5种范式！》
DeepSeek+Ragflow：《DeepSeek接入个人知识库，保姆级教程来了！》
一起“点赞”三连↓
