人工智能 / 嘎嘎山湖 / 小模型应用

RAGFlow 知识库全流程配置手册

@ 6 min read

一份在 WSL2 + RTX 3080（20GB）上配置 RAGFlow v0.26.4 知识库的全程实操手册。从模型接入、知识库创建与解析、对话助手与记忆配置，到公开访问（分享链接 / API / OpenAI 兼容）、检查清单、参数速查与故障排查，逐环节配图说明。

RAGFlow 知识库全流程配置手册

环境：WSL2 Ubuntu + RTX 3080 20GB + Docker  
RAGFlow v0.26.4 + Ollama  
生成日期：2026-08-08

一、整体架构

image1.png

二、模型配置详解

2.1 模型清单

image2.png

2.2 各模型在知识库中的角色

image3.png
image4.png

2.3 模型添加方式

方式一：通过 RAGFlow Web 界面（推荐）

1. 进入 系统设置 → 模型提供商 → Ollama

2. 点击 + 添加 Ollama 实例

3. 填写：

  • 实例名称：ollama
  • 基础 URL：http://ragflow-ollama:11434
  • API Key：(可以留空)

1. 点击 验证 — 验证通过后模型列表自动加载

2. 选择需要的模型添加

image5.png

方式二：通过数据库直接添加（界面报错时备用）

-- 添加模型实例
INSERT INTO tenant_model_instance (id, create_time, create_date, update_time, update_date, instance_name, provider_id, api_key, status, extra)
SELECT '<唯一ID>', UNIX_TIMESTAMP(), NOW(), UNIX_TIMESTAMP(), NOW(),
  '<实例名>', p.id, 'ollama', 'active',
  '{"base_url": "http://ragflow-ollama:11434", "region": "default"}'
FROM tenant_model_provider p WHERE p.provider_name = 'Ollama' LIMIT 1;
-- 添加模型记录
INSERT INTO tenant_model (id, create_time, create_date, update_time, update_date,
  model_name, provider_id, instance_id, model_type, status, extra)
SELECT '<唯一ID>', UNIX_TIMESTAMP(), NOW(), UNIX_TIMESTAMP(), NOW(),
  '<模型名>', p.id, '<实例ID>', '<模型类型>', 'active', '{}'
FROM tenant_model_provider p WHERE p.provider_name = 'Ollama' LIMIT 1;

注：extra 字段必须是合法 JSON（双引号），否则会触发 JSONDecodeError 导致 102 错误。

2.4 设置默认模型

进入 系统设置 → 系统模型设置（Set default models）：

image6.png

三、知识库创建与配置

3.1 创建知识库

1. 点击顶部导航 知识库 → + 新建知识库

2. 填写基本信息：

image7.png

3.2 解析方式选择

image8.png
image9.png

3.3 上传文档

1. 进入知识库 → 文件列表 → + 新增文件

2. 支持格式：PDF、Word、Excel、PPT、TXT、Markdown、图片等

3. 上传后自动开始解析，等待进度到 100%

3.4 解析过程详解

image10.png

分块（Chunking）：将长文档按语义切分为 500-1000 token 的小块，每块独立向量化，检索时按块匹配。

四、对话助手配置

4.1 创建对话

1. 点击顶部导航 聊天 → + 新建对话

2. 配置：

image11.png

4.2 Prompt（系统提示词）配置

RAGFlow 默认 Prompt 模板：

你是一个智能助手，请总结知识库的内容来回答问题，请列举知识库中的数据详细回答。

当所有知识库内容都与问题无关时，你的回答必须包括”知识库中未找到您要的答案！”这句话。

回答需要考虑聊天历史。

以下是知识库：

{knowledge}

以上是知识库。

image12.png

4.3 高级配置

image13.png

五、记忆（Memory）配置

5.1 功能说明

记忆模块让对话助手能跨会话记住用户信息，实现长期个性化对话。

5.2 创建记忆

1. 点击顶部导航 记忆 → + 新建记忆

2. 配置：

image14.png

5.3 工作流程

image15.png

六、公开访问配置

6.1 方式一：对话分享链接（推荐）

1. 进入 聊天 → 点击已创建对话的 ⋯ → 嵌入（Embed）

2. 获取分享链接或 iframe 代码

3. 任何人通过链接即可直接问答，无需登录

image16.png
image17.png

6.2 方式二：API 对外服务

# 获取 API Key：系统设置 → API Key
curl http://localhost:9380/api/v1/chats/{chat_id}/completions 
  -H "Authorization: Bearer ragflow-xxxxxxxx" 
  -H "Content-Type: application/json" 
  -d '{
    "question": "VMware NSX 如何配置微分段？",
    "stream": false
  }'

6.3 方式三：OpenAI 兼容 API

RAGFlow 提供 OpenAI 格式的兼容接口，可直接接入其他应用：

curl http://localhost:9380/api/v1/openai/completions 
  -H "Authorization: Bearer ragflow-xxxxxxxx" 
  -H "Content-Type: application/json" 
  -d '{
    "model": "qwen2.5:14b",
    "messages": [{"role": "user", "content": "你的问题"}],
    "stream": false
  }'

七、完整配置检查清单

基础设施层

  • ✓ Docker + Docker Compose 已安装
  • ✓ NVIDIA Container Toolkit 已安装
  • ✓ NVIDIA runtime 已注册到 Docker
  • ✓ RAGFlow 容器全部运行（6 个服务）
  • ✓ Ollama 容器运行且 GPU 可用

模型层

  • ✓ qwen2.5:14b — Chat 模型已添加并激活
  • ✓ bge-m3:latest — Embedding 模型已添加并激活
  • ✓ minicpm-v:latest — Vision 模型已添加并激活
  • ✓ 系统默认模型已设置（LLM / Embedding / VLM）
  • ✓ LLM_TIMEOUT_SECONDS=60 已配置（避免验证超时）

知识库层

  • ✓ 知识库已创建，Embedding 模型选择正确
  • ✓ 文档已上传并解析完成（100%）
  • ✓ 检索测试验证正常

对话层

  • ✓ 对话助手已创建并关联知识库
  • ✓ LLM 模型选择正确
  • ✓ Prompt 已配置
  • ✓ 引用、多轮对话优化等高级配置已设置

访问层

  • □ 分享链接已生成（按需）
  • □ API Key 已创建（按需）
  • □ 记忆模块已配置（按需）

八、关键配置参数速查

.env 关键参数

image18.png

知识库关键参数

image19.png

对话关键参数

image20.png

九、故障排查索引

image21.png

十、服务端口与访问地址

image22.png
# TAGS
嘎嘎山湖 人工智能 小模型应用
Antares

>_ Antares