RuoYi-AI 本地运行全流程指南

本文将详细介绍如何在本地环境部署和运行 RuoYi-AI 项目，实现基于大模型的智能问答和 RAG 知识库功能。

技术栈概览

类别	组件
数据库	MySQL、Redis
大模型平台	Ollama
问答模型	qwen2:0.5b
向量模型	embeddinggemma:300m
向量数据库	Milvus（Docker 部署）
可视化工具	Attu
容器化	Docker、Docker Compose、MinIO、Etcd
开发环境	Node.js、Maven、NPM、Git、PNPM、JDK21

---

第一步：克隆项目

git clone https://gitee.com/ageerle/ruoyi-ai

---

第二步：配置后端项目

2.1 初始化数据库

找到项目中的 SQL 脚本文件 script/sql/ruoyi-ai.sql，连接本地 MySQL 数据库并执行该脚本完成数据初始化。

2.2 修改数据库连接配置

编辑配置文件 ruoyi-admin/src/main/resources/application-dev.yml，修改数据库连接信息：

strict: true
datasource:
  master:
    type: ${spring.datasource.type}
    driverClassName: com.mysql.cj.jdbc.Driver
    url: jdbc:mysql://127.0.0.1:3306/ruoyi-ai?useUnicode=true&characterEncoding=utf8
    username: root
    password: 123456

同时修改 Redis 连接配置（同一文件中）。

---

第三步：安装 Ollama

系统要求

在开始安装前，请确认你的电脑满足以下基本要求：

• 操作系统：Windows 10/11 64位（建议 21H2 及以上版本）
• 内存：最低 8GB，推荐 16GB 或以上（运行 7B 参数模型建议 32GB）
• 存储空间：至少 10GB 可用空间，推荐 40GB 以上用于存放多个模型
• 显卡（可选但强烈推荐）：支持 CUDA 的 NVIDIA 显卡可大幅提升运行速度
• 依赖项：如安装后无法正常运行，可能需要安装 Visual C++ Redistributable

安装步骤

1. 下载安装包

   访问 Ollama 官网 https://ollama.com/，点击 “Download for Windows” 下载安装程序。

2. 运行安装

   双击下载的 OllamaSetup.exe 文件，按照向导提示完成安装。默认安装路径为 C:\Program Files\Ollama。

   如需自定义安装路径，可使用管理员权限打开 PowerShell，运行：

   .\OllamaSetup.exe /DIR="E:\Ollama"
   

3. 验证安装

   打开命令提示符或 PowerShell，输入：

   ollama --version
   

   显示版本号（如 ollama version 0.1.xx）即表示安装成功。

---

第四步：安装推理模型（问答模型）

使用 Ollama 安装 qwen2:0.5b 问答模型：

ollama pull qwen2:0.5b

安装完成后，可使用以下命令查看已安装的模型：

ollama list

输出示例：

NAME                   ID              SIZE      MODIFIED
qwen2:0.5b             6f48b936a09f    352 MB    4 months ago

---

第五步：安装向量模型

使用 Ollama 安装 embeddinggemma:300m 向量模型：

ollama pull embeddinggemma:300m

安装完成后验证：

ollama list

输出示例：

NAME                   ID              SIZE      MODIFIED
embeddinggemma:300m    85462619ee72    621 MB    24 hours ago
qwen2:0.5b             6f48b936a09f    352 MB    4 months ago

---

第六步：部署向量数据库（Milvus）

6.1 编写 Docker Compose 配置

⚠️ 注意：Attu 和 Milvus 的版本必须兼容

创建 docker-compose.yml 文件：

version: '3.5'

services:
  etcd:
    container_name: milvus-etcd
    image: quay.io/coreos/etcd:v3.5.5
    environment:
      - ETCD_AUTO_COMPACTION_MODE=revision
      - ETCD_AUTO_COMPACTION_RETENTION=1000
      - ETCD_QUOTA_BACKEND_BYTES=4294967296
      - ETCD_SNAPSHOT_COUNT=50000
    volumes:
      - ${DOCKER_VOLUME_DIRECTORY:-.}/volumes/etcd:/etcd
    command: etcd -advertise-client-urls=http://127.0.0.1:2379 -listen-client-urls http://0.0.0.0:2379 --data-dir /etcd

  minio:
    container_name: milvus-minio
    image: minio/minio:RELEASE.2023-03-20T20-16-18Z
    environment:
      MINIO_ACCESS_KEY: minioadmin
      MINIO_SECRET_KEY: minioadmin
    volumes:
      - ${DOCKER_VOLUME_DIRECTORY:-.}/volumes/minio:/minio_data
    command: minio server /minio_data
    healthcheck:
      test: ["CMD", "curl", "-f", "http://localhost:9000/minio/health/live"]
      interval: 30s
      timeout: 20s
      retries: 3

  standalone:
    container_name: milvus-standalone
    image: milvusdb/milvus:v2.5.12
    command: ["milvus", "run", "standalone"]
    environment:
      ETCD_ENDPOINTS: etcd:2379
      MINIO_ADDRESS: minio:9000
    volumes:
      - ${DOCKER_VOLUME_DIRECTORY:-.}/volumes/milvus:/var/lib/milvus
    ports:
      - "19530:19530"
      - "9091:9091"
    depends_on:
      - "etcd"
      - "minio"

  attu:
    container_name: milvus-attu
    image: zilliz/attu:v2.5.6
    environment:
      MILVUS_URL: standalone:19530
    ports:
      - "8000:3000"
    depends_on:
      - "standalone"

networks:
  default:
    name: milvus

6.2 启动服务

docker compose up -d

6.3 验证服务状态

docker ps

---

第七步：配置向量数据库和模型

编辑配置文件 ruoyi-admin/src/main/resources/application.yml，添加大模型和向量库配置：

spring:
  ai:
    openai:
      api-key: localOllama
      base-url: http://localhost:11434
      embedding:
        api-key: localOllama
        base-url: http://localhost:11434
        options:
          model: embeddinggemma:300m
      chat:
        api-key: localOllama
        base-url: http://localhost:11434
        options:
          model: qwen2:0.5b
          temperature: 0.5

vector-store:
  type: milvus
  weaviate:
    protocol: http
    host: 127.0.0.1:6038
    classname: LocalKnowledge
  milvus:
    url: http://127.0.0.1:19530
    collectionname: LocalKnowledge

---

第八步：安装前端项目

管理端

git clone https://gitee.com/ageerle/ruoyi-admin
cd ruoyi-admin
pnpm install
pnpm run dev:antd

配置修改：

• 后台接口配置：/apps/web-antd/vite.config.mts
• 其他配置：/apps/web-antd/.env.development

用户端

git clone https://gitee.com/ageerle/ruoyi-web
cd ruoyi-web
pnpm install
pnpm run dev

---

第九步：启动项目

1. 启动后端：运行 SpringBoot 主类 org.ruoyi.RuoYiAIApplication
2. 启动前端：确保依赖安装完成后启动前端项目

---

第十步：访问系统

服务	地址
Attu 向量数据库可视化	http://127.0.0.1:8000/
管理端	http://localhost:5666/
用户端	http://localhost:1002/

界面预览

Attu 向量数据库可视化面板：

管理端界面：

用户端界面：

---

第十一步：测试问答模型

11.1 管理端添加模型

在管理端添加 Ollama 的问答推理模型：

11.2 用户端测试

在用户端选择已添加的模型进行问答测试：

---

第十二步：配置 RAG 知识库

12.1 配置向量模型

在管理端配置向量模型：

12.2 创建知识库

建立本地知识库：

12.3 上传文档

为知识库上传本地文件进行 RAG 向量化处理：

12.4 等待向量化完成

文档处理完成后会生成知识片段：

12.5 验证向量数据

在 Attu 中查看向量数据库中的数据：

---

第十三步：基于 RAG 的智能问答

完成以上配置后，即可体验基于大模型 + RAG 检索增强 + 本地知识库的智能问答功能：

---

总结

本文详细介绍了 RuoYi-AI 项目的本地部署流程，涵盖：

1. 环境准备：MySQL、Redis、Ollama、Docker 等基础组件
2. 模型部署：qwen2:0.5b 问答模型和 embeddinggemma:300m 向量模型
3. 向量数据库：Milvus 及其可视化工具 Attu 的 Docker 部署
4. 前后端配置：项目克隆、依赖安装、配置修改
5. 功能验证：问答测试和 RAG 知识库配置

通过本指南，你可以快速搭建一套完整的本地 AI 问答系统，实现基于私有知识库的智能问答能力。