〇、写在前面：为什么选 RAGFlow？

如果你已经厌倦了：

• 每次给大模型投喂文档，都要自己切分、清洗、算向量，折腾到崩溃
• 想做一个「企业级 / 团队级」的知识库问答，又不想从头写 RAG 链路
• 看过一堆 AI 助手平台，但想要一个开源、可私有化、能白嫖算力的方案
  那这篇教程就是给你写的。
  我们今天的主角：RAGFlow。
• 开源 RAG 引擎，主打「深度文档理解 + 检索增强生成（RAG）」，还内置 Agent 能力
• 支持 Word、PDF、Excel、PPT、图片、网页等各种复杂格式
• 官方直接给 Docker Compose，一条命令拉起全套（ES、MySQL、Redis、MinIO…）
• GitHub 上 77k+ Star，还在持续更新，算得上「最近几年最火的开源 RAG 项目之一」
  接下来就按：选服务器 → 装 Docker → 启动 RAGFlow → 浏览器初始化 → 配一个知识库 → 跑个对话 的完整流程，一步步来。

---

一、选服务器与配置推荐（有云服务器的可以跳过）

1. 注册 & 领优惠券（有服务器的直接跳过）

这里我用的是「雨云」服务器，官网：https://www.rainyun.com/（不是广告，只是我常用）。

• 新用户注册可以用我的优惠码：techaser
• 绑定微信后会自动发一张首月 5 折券，积分商城也有永久八折券，同时我也有一点收益，非常感谢~

2. 配置建议

RAGFlow 官方建议的最低配置（Docker 部署）：

• CPU ≥ 4 核（x86，不支持 ARM 镜像）
• 内存 ≥ 16 GB
• 硬盘 ≥ 50 GB
• Docker ≥ 24.0.0 & Docker Compose ≥ v2.26.1

小贴士：

• 做实验 / 玩玩：4C16G 够用
• 想多跑几个文档、多几个人同时用：建议 8C32G
• 硬盘尽量 SSD，向量检索对 I/O 比较敏感（虽然你也可以切换到 Infinity 引擎，但默认是 ES）
  地域选择：
• 想免备案、直接用 IP 访问：选香港节点
• 有备案、面向国内：选国内节点（比如宿迁、宁波等）

---

二、服务器环境准备：安装 Docker & Docker Compose

如果你已经装好了 Docker 和 Docker Compose（雨云购买时可以自己选装），直接跳到「三、拉取 RAGFlow 仓库并配置环境变量」。

1. SSH 连接服务器

本地终端（Windows 可以用 PowerShell / Terminal / Xshell）：

ssh root@你的公网IP

2. 安装 Docker（以 CentOS / Rocky / Alma 为例）

# 安装必要工具
yum install -y yum-utils
# 添加 Docker 官方源
yum-config-manager --add-repo https://download.docker.com/linux/centos/docker-ce.repo
# 安装 Docker & Docker Compose 插件
yum install -y docker-ce docker-ce-cli containerd.io docker-compose-plugin
# 启动并设置开机自启
systemctl enable --now docker

装完验证一下：

docker --version
docker compose version

能看到版本号就说明 OK。

Ubuntu / Debian 的命令略有不同，这里就不展开了，按自己系统查一下就行。

---

三、拉取 RAGFlow 仓库 & 调一下环境变量

RAGFlow 官方推荐直接用预构建镜像，通过 docker compose 一键拉起整套服务。

1. 克隆仓库

git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker

如果你在国内，clone 可能有点慢，可以用 Gitee 镜像或者走代理。

2. 看一眼 .env（可选）

官方说明：系统核心配置都在这几个文件里：

• .env：基础配置，比如端口、各种密码
• service_conf.yaml.template：后端服务配置
• docker-compose.yml：编排文件，真正干活的
  默认情况下，你啥都不改也能跑起来。我们这节就保持默认，只确认一件事：
• 服务器上 80 端口没被 Nginx / Apache 之类的服务占用
  • 如果占用了，后面可以改端口，比如改成 8080:80

---

四、启动 RAGFlow

1. 先调一下系统参数（必须）

RAGFlow 依赖 Elasticsearch（默认），官方要求 vm.max_map_count ≥ 262144。
检查当前值：

sysctl vm.max_map_count

如果不够，临时改成 262144：

sudo sysctl -w vm.max_map_count=262144

想永久生效，写入 /etc/sysctl.conf：

echo "vm.max_map_count=262144" | sudo tee -a /etc/sysctl.conf
sudo sysctl -p

2. 拉起所有服务（CPU 版）

在 ragflow/docker 目录下执行：

# 如果你想切到某个稳定版本，可以先：
# git checkout v0.24.0  # 以 v0.24.0 为例
# 用 CPU 跑 DeepDoc 任务：
docker compose -f docker-compose.yml up -d

想用 GPU 加速 DeepDoc，可以在 .env 里加一行 DEVICE=gpu，再执行同样的 docker compose 命令。
第一次拉镜像会比较久（镜像大概 2 GB 左右，后面版本是 slim 版）。喝杯咖啡，等它拉完。

3. 看看启动日志

docker logs -f docker-ragflow-server-1
# 如果容器名字不一样，用 docker ps 找一下实际名字

看到类似这样的输出就算成功：

      ____   ___    ______ ______ __
     / __ \ /   |  / ____// ____// /____  _      __
    / /_/ // /| | / / __ / /_   / // __ \| | /| / /
   / _, _// ___ |/ /_/ // __/  / // /_/ /| |/ |/ /
  /_/ |_|/_/  |_|\____//_/    /_/ \____/ |__/|__/

---

五、浏览器打开 RAGFlow 并完成初始化

1. 访问地址

官方文档说明：默认 HTTP 服务端口是 80，可以直接不写端口。

• 本机部署：http://localhost 或 http://127.0.0.1
• 服务器部署：http://你的服务器IP
  • 如果你在 docker-compose.yml 里改了端口（比如 8080:80），就访问：http://你的服务器IP:8080

有些教程会写 http://IP/login，本质上是一回事，会自动跳转到登录页。

2. 首次登录 / 注册

关于「默认账号」这件事，不同版本 / 不同部署方式有点差异。根据一些社区实测文章以及我的安装经历：

• 有些版本第一次打开会直接让你「注册账号」，填个邮箱 + 昵称 + 密码就行
• 有些版本会自动创建一个管理员账户（例如：admin / admin 或 admin@ragflow.io / admin）
  所以这边建议你：

1. 先用浏览器打开 http://你的服务器IP
2. 如果看到「登录」界面：
   • 有「注册」入口：就直接注册一个自己的账号
   • 没有注册入口：尝试常见默认账号/密码（比如 admin / admin）
3. 登录成功后，立刻把密码改成强密码，避免被「默认密码」坑。

安全提醒：如果你是部署在公网，强烈建议在 .env 或 Nginx 里把「用户注册」关掉，防止陌生人乱注册。

3. 把界面切成中文（可选）

登录后，右上角会有语言切换，选成「中文」，用起来会舒服很多。

---

六、基础使用：配置大模型 + 创建第一个知识库

1. 先配置大模型

RAGFlow 本身不自带大模型，需要你自己接入：

• 云端：OpenAI / Claude / 智谱 GLM / 百度千帆 / Ollama 兼容接口等
• 本地：Ollama、vLLM、LMDeploy 等推理服务
  步骤：

1. 在 RAGFlow 界面里找到「设置 / 模型供应商 / 添加模型」
2. 选一个「模型工厂」（比如 OpenAI 兼容）
3. 填上：
   • 基础 URL（Base URL），例如：http://你的Ollama地址:11434/v1
   • API Key（如果有的话）
4. 保存后，在「默认模型」里选一个你准备用来对话的模型

很多教程会用 Ollama 跑一个本地模型，再让 RAGFlow 调用，这样成本基本为零。再提一嘴，RAG可能比较烧Token，最好用免费模型（glm-4.7-flash）或Deepseek

2. 创建第一个知识库

1. 上面菜单找到「知识库」
2. 新建一个知识库，起个名字，比如「公司产品手册」
3. 上传你要喂给模型的文档（支持 Word、PDF、Excel、PPT、TXT、图片等）
4. 选择一个「解析方式」：
   • 一般选「普通 / 深度文档理解」即可，RAGFlow 会自己帮你切片 + 抽取文本
5. 等它跑完解析，状态变成「已完成」

3. 建一个「基于这个知识库」的对话

1. 进入「对话」
2. 新建一个对话，关联上你刚才建的知识库
3. 选一个默认模型（就是你刚才配置的那个）
4. 随便问一句：
   • 比如「这个产品的常见问题有哪些？」
5. RAGFlow 会先从知识库检索相关内容，再让大模型总结答案，并给出引用片段。

到这里，你已经完成：

• 在服务器上用 Docker Compose 一键部署 RAGFlow
• 通过浏览器完成初始化
• 配好大模型 + 知识库 + 第一个对话

---

七、小结：一台服务器 = 一个私有知识库平台

到这里，你已经：

• 选了一台云服务器（4C16G 起）
• 用 Docker & Docker Compose 部好了 RAGFlow
• 在浏览器里完成了初始化、配好大模型
• 建好了第一个知识库，跑通了基于知识库的对话
  接下来你可以：
• 给团队做一个内部知识库（产品手册、运维文档、FAQ 等）
• 接入自己的业务系统，做智能客服 / 工单助手
• 配合 Agent 工作流，实现自动检索 + 多轮对话 + 工具调用