DeepSeek+ragflow构建企业知识库：突然觉的dify不香了（1）

背景

之前写了一些知识库的文章，最后试用了dify，想着前端dify+企业自己的向量数据，随时可以切换前端应用，觉的很香。有些朋友向我案例ragflow。

试用完以后我发现，我想复杂了，定制企业向量数据库，ragflow完全能够满足，简单调整下，成本最低。功能实在是太强大了.

🌟 主要功能

🍭 “Quality in, quality out”

• 基于 深度文档理解，能够从各类复杂格式的非结构化数据中提取真知灼见。
• 真正在无限上下文（token）的场景下快速完成大海捞针测试。

🍱 基于模板的文本切片

• 不仅仅是智能，更重要的是可控可解释。
• 多种文本模板可供选择

🌱 有理有据、最大程度降低幻觉（hallucination）

• 文本切片过程可视化，支持手动调整。
• 有理有据：答案提供关键引用的快照并支持追根溯源。

🍔 兼容各类异构数据源

• 支持丰富的文件类型，包括 Word 文档、PPT、excel 表格、txt 文件、图片、PDF、影印件、复印件、结构化数据、网页等。

🛀 全程无忧、自动化的 RAG 工作流

• 全面优化的 RAG 工作流可以支持从个人应用乃至超大型企业的各类生态系统。
• 大语言模型 LLM 以及向量模型均支持配置。
• 基于多路召回、融合重排序。
• 提供易用的 API，可以轻松集成到各类企业系统。

🔎 系统架构

安装

硬件要求

• CPU >= 4 核
• RAM >= 16 GB
• Disk >= 50 GB
• Docker >= 24.0.0 & Docker Compose >= v2.26.1

软件要求：

vm.max_map_count 不小于 262144，这个是针对linux

下载代码

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

我们看下docker目录中的文件，主要关注圈中的3块

• .env 主要是docker部署的时候一些变量,service_conf.yaml.template是服务启动使用的配置文件
• 需要注意的是，在mac操作系统下，会引入2

关键参数

.env文件

#文档引擎，默认使用es
DOC_ENGINE=${DOC_ENGINE:-elasticsearch}

#docker部署的镜像，默认不带模型
RAGFLOW_IMAGE=infiniflow/ragflow:v0.16.0-slim

#redis端口，6379，我本机以及docker已经有了，我改程了6380
REDIS_PORT=6380

#服务端端口
SVR_HTTP_PORT=9380

#自定义了两个变量，nginx的暴露端口
EXPOSE_NGINX_PORT=8002
EXPOSE_NGINX_SSL_PORT=8444

#如果你需要在docker中拉取模型，网有不好，添加此镜像，将前面的#去掉
# HF_ENDPOINT=https://hf-mirror.com

#mac系统需要将此参数放开，默认禁用，将前面的#去掉就开启了
# MACOS=1

需要注意的是.env文件修改后，对应的service_conf.yaml.template配置中一些默认值也得改变。比如我们改了redis的端口，

#将redis的端口由6379改成6380
redis:
  db: 1
  password: '${REDIS_PASSWORD:-infini_rag_flow}'
  host: '${REDIS_HOST:-redis}:6380'

拉取镜像

# 拉取镜像
docker compose  pull

如果拉不到，网络不稳定，替换国内的镜像

- 华为云镜像名：`swr.cn-north-4.myhuaweicloud.com/infiniflow/ragflow`
- 阿里云镜像名：`registry.cn-hangzhou.aliyuncs.com/infiniflow/ragflow`

启动

我们通过-p指定分组名称，或者在docker-compose.yaml中添加name: 'ragflow'

docker compose up -d -p ragflow

等一会，安装过程只遇到了端口冲突的问题，修改下端口即可。

通过docker ps 或docker desktop 软件查看启动状态。

登录

点击docker desktop或者http://localhost:8002/ 就进入了登录注册界面。

上来是没有账户的，我们先点击注册一个，然后登录。

基本设置

登录进来以后，我们先将右上角的1设置为简体中文，然后点击2

我们主要关注1 模型供应商和3 团队即可。可以通过2查看系统的资源概况，以及任务数。

点击1我们开始添加模型

模型配置

官方默认推荐通义，应该是合作了，我们添加本地ollama 和刚充值的热乎的deepseek.

本地Ollama 模型配置

在ragflow中，ollama的模型类型可以选择4个，其实也就比dify多了一个reran模型，

通过ollama listt 查看模型列表，然后添加两个一个chat模型，一个embedding模型。

最大token我们通过ollama show deepseek-r1:32b获取后填入。然后保存。

报错了了，一看cudaMalloc failed: out of memory,一看内存81%了，空余12g的内存竟然不够用。赶紧关一些软件。

然后再保存。成功。然后点击添加向量模型。

添加DeepSeek

很简单，就填写一个api-key就行了。

系统模型配置

选择相应的模型即可。

团队

我点击右上角的邀请，填写用户邮箱，点击确定。提示用户不存在。

我猜测，应该是注册制，注册以后再邀请进团队。

然后角色是Invite，时间也有问题。应该是数据库的时区的问题。在.env中TIMEZONE配置的是shanghai时区。这个不太影响，下次再看下。

然后我就很好奇，另外一个用户里是什么？我登录了另外一个账户，原来邀请的用户还得同意。

同意以后，还可以退出。我再切换到原来的账户里，

发现角色变成了Normal

需要注意的是，团队共享了知识库，但是聊天助理并没有共享，模型也没有共享。

不过想想也对，创建的应用可以通过api分享，出来，共用的功能，设置都不需要邀请用户。知识反而是核心。我的理念和他好像。哈哈。

功能概述

从面板上看，就几个功能。还是很清晰，它的模板特别少，在创建agent的时候可以选择。

知识库

创建知识库

点击创建知识库，填写名称，点确定即可。

这个时间反而是准的。

知识库配置

配置

• 点击1的配置，
• 我们可以指定文档语言2
• 也可以设置这个知识库的权限3
• 可以自定义解析方法4,而且每个解析方法后面都有对应的示例说明。是不是用它内置的向量模型会更好一些？

分段标识符，支持多字符作为分隔符，这对复杂格式的文档，也太友好了。还能有布局识别和OCR功能。

知识上传（数据集）

在ragflow中上传的在数据集模块里。

ragflow的知识库，只支持和上传文件或s3同步。同时可以一次上次多个知识。提示也很友好严禁上传公司数据或其他违禁文件。

上传以后不会自动解析，需要手动点击。

可以通过1单个解析，也可以通过勾选多个，批量解析。

默认规则下，解析速度还行，清华大学第一弹一共104页，解析了110秒。

然后看了下分段效果。点开一看，太强大了图片内容也解析出来了。《清华大学第四弹》的内容。

我没有使用ocr呀，这个后续再研究。

还有表格的识别。

检索测试

随便问一下，这检索效果，真棒。而且返回速度特别快。

文件管理

上传的文件在文件管理里面。

聊天

创建聊天

• 点击新建助手
• 显示引文3
• 关键词分析4开启。应用 LLM 分析用户的问题，提取在相关性计算中要强调的关键词。
• 知识库可以选择多个5

提示引擎默认即可，不用动。

在模型设置里，主要是最大token数，默认512太小了，最大设置为8192

使用

• 我们选择小助手1,点击2
• 直接在3输入问题，同时也可以再上传任何文件。回答效果，有些图片里的内容都找到并填了进去。

后记

简单的试用了下ragflow，突然感觉dify不香了。后续我得好好的深入研究下。

之前在聊一个问题，dify分享出去以后谁都可以用,如果在玩一些有趣的东西的时候，会…

前端方案： 修改前端接口调用

我在浏览器检查模式下查看接口调用的时候，发现接口http://10.1.0.65:8001/console/api/apps?page=1&limit=30&name=&is_created_by_me=false 发现有个一个参数 is_created_by_me。

从字面上看，就是是否只查询自己的，既然怀疑了，那就动手试一下，我在dify中新添加一个账户。

进去以后能看到全部。

在Edge浏览器下，我右键1，编辑并重新发送2,我把参数值改为true3,通过4我们可以看到请求值已经改变了，通过5,可以看到返回的数据为空。

然后我又看了下其他的接口发现两个接口

• • console/api/workspaces/current 返回值有一个normal的

• • console/api/account/profile 返回的是个人信息角色

同时，在dify的工作室，我们通过标签查询

那我们可以怎么做？

• 修改前端调用，非管理员的，只能调用自己的
• 定制前端界面，可以通过角色控制和标签控制，比如我们建一个公共的标签，前端完全可以控制。

后端方案

通过tags_ids去查，总感觉别扭，数据少了还行，数据多了，在生产上就是找事。我就翻下dify的数据库。

连接dify的数据库

我们在部署dify的时候有个.env文件，这里有pg数据库的

使用Navicat Premium Lite连接数据库

在apps表中，我发有一个is_public和created_by

在dify的数据库里，我们可以很明显的看到一个apps表，打开表以后，我们可以看到两列is_public和created_by。那代码里有没有使用呢？我们翻下代码。

不得不说dify的代码结构还是很规范的，根据接口console/api/apps，我们能很轻松的找到对应的接口实现，然后没有看到我关注的is_public字段。

我再翻下更新接口的代码，

在代码里并没有对is_public的操作。看来这个是商业版的功能或者是未来开放的功能。

前后端加上这个字段难度不大。

我们可以直接在这里根据用户的角色进行改造。在对应的表tenant_account_joins 可以设置新的角色，然后在代码里进行处理。

ChatFlow中添加权限

先画个简单的流程图。

新建一个Chatflow流程。

在chatFlow中有一个会话变量，用于存储会话中的上下文，也就是只要你一直在同一个会话，就可以保存着。

点击1,然后点击2，添加变量loginStatus 变量，1登录成功，0是未登录。

登录成功后我们进行变量赋值，把loginStatus变量设置为1。整体流程如下：

• 我们可以把工作流发布成一个自定义工具
• 1用户输入问题
• 2先校验用户的状态，如果已经登录直接到7,未登录到3
• 3校验用户有无填写密钥，填写则到4
• 4通过http校验用户有无权限，有权限到5,无权限，直接回复
• 5有权限流转到6，
• 6设置变量loginStatus为1，然后流转到工作流7

后记

• dify的代码很规范，对于经验丰富的开发者来说，没有文档也能快速入手
• dify是很灵活的，社区的资源也很丰富
• 我使用的是2025-02-21从github上拉下来的代码