RAGFlow + Ollama 搭建本地知识库：30 分钟跑通
你有没有过这种场景：手里一堆 PDF 文档、产品手册、技术文档，想找某个细节，翻了半天翻不到，恨不得有个 AI 帮你直接回答。
ChatGPT 能做，但你得把文档传上去——公司内部资料、客户数据，敢传吗？
今天介绍一个完全本地运行的方案：RAGFlow + Ollama。文档丢进去就能问答，数据全程不出你的电脑，30 分钟就能跑通。
RAGFlow 是什么？为什么选它
RAGFlow 是一个开源的 RAG（检索增强生成）引擎，GitHub 上 78K+ star，专门做文档解析 + 知识问答这件事。
和之前介绍过的 FastGPT 不同，RAGFlow 的核心优势在文档解析能力：
| 对比项 | RAGFlow | FastGPT |
|---|---|---|
| 文档解析 | DeepDoc 引擎，支持 OCR、表格识别、版面分析 | 基础文本切片 |
| PDF 处理 | 扫描件、带表格的 PDF 都能解析 | 主要处理纯文本 PDF |
| 分块可视化 | 可以看到文档怎么被切分的，支持手动调整 | 不可见 |
| 引用溯源 | 回答时标注出处，点击可跳转原文 | 支持 |
| 部署复杂度 | Docker 一键部署 | Docker 一键部署 |
简单说：如果你的文档有很多表格、图表、扫描件，RAGFlow 是目前开源方案里解析效果最好的。
整体架构
先理解一下我们要搭的东西：
你的文档（PDF/Word/Excel） ↓ RAGFlow（文档解析 + 分块 + 检索） ↓ Ollama（本地大模型，负责生成回答） ↓ 浏览器里直接问答三个关键组件：
- Ollama：跑本地大模型（Qwen3.5 负责回答问题）
- RAGFlow：解析文档、切分成知识块、检索相关内容
- Embedding 模型：把文档和问题转成向量用于匹配（用 bge-m3）
全部跑在你自己的电脑上，不需要任何 API Key。
第一步：确认环境
硬件要求：
- 内存：16GB 以上（RAGFlow 本身比较吃内存）
- 硬盘：至少 30GB 可用空间
- 显卡：有最好（加速推理），没有也能跑（CPU 模式）
软件要求：
- Docker Desktop 已安装并运行
- Ollama 已安装（如果还没装，参考我之前的 Ollama 入门文章）
# 确认 Docker 正常docker --version# 确认 Ollama 正常ollama --version第二步：准备 Ollama 模型
我们需要两个模型：一个负责回答问题的对话模型，一个负责文档向量化的Embedding 模型。
# 1. 对话模型：Qwen3.5 9B（约 6.6GB）ollama pull qwen3.5:9b# 2. Embedding 模型：bge-m3（约 1.2GB，中英文效果都好）ollama pull bge-m3bge-m3 处理中文效果非常好，配合中文文档知识库是最优选择。
拉完之后确认一下：
ollama list# 应该能看到 qwen3.5:9b 和 bge-m3重要：确保 Ollama 监听所有网络接口，这样 Docker 里的 RAGFlow 才能访问到：
# Linux/macOS：设置环境变量后重启 Ollamaexport OLLAMA_HOST=0.0.0.0:11434ollama serve# Windows：在系统环境变量中添加 OLLAMA_HOST=0.0.0.0:11434# 然后重启 Ollama 应用第三步：Docker 部署 RAGFlow
RAGFlow 官方提供了 Docker Compose 一键部署，非常方便。
# 1. 克隆 RAGFlow 仓库git clone https://github.com/infiniflow/ragflow.gitcd ragflow/docker# 2. 使用轻量版镜像启动（推荐，体积小很多）docker compose -f docker-compose.yml up -d首次启动会拉取镜像，大概需要 5-10 分钟（取决于网速）。
# 查看启动状态docker compose logs -f# 看到类似这行就说明启动成功：# ragflow-server | INFO: Application startup complete.启动成功后，打开浏览器访问：http://localhost（默认 80 端口）
首次访问需要注册一个账号（纯本地，不会发到任何地方），注册完登录进去。
第四步：配置模型
登录 RAGFlow 后，先把 Ollama 的模型接进来。
配置对话模型：
- 点击右上角头像 →模型供应商
- 找到Ollama，点击添加
- 填写配置：
- 模型名称：
qwen3.5:9b - 模型类型：Chat
- 基础 URL：
http://host.docker.internal:11434（Docker 访问宿主机）
Linux 用户如果
host.docker.internal不生效，改用宿主机实际 IP，比如http://192.168.1.100:11434
配置 Embedding 模型：
- 同样在模型供应商页面
- 再添加一个 Ollama 模型：
- 模型名称：
bge-m3 - 模型类型：Embedding
- 基础 URL：
http://host.docker.internal:11434
配完之后，去系统模型设置里把默认的对话模型和 Embedding 模型分别选成刚才配的两个。
第五步：创建知识库
模型配好了，开始建知识库。
- 左侧菜单点知识库→新建知识库
- 起个名字，比如"产品文档库"
- Embedding 模型选
bge-m3 - 分块方法这里是关键，RAGFlow 提供了好几种：
| 分块方法 | 适合场景 |
|---|---|
| General | 通用文档，自动识别段落 |
| Q&A | FAQ 格式的文档 |
| Table | 表格为主的文档 |
| Paper | 学术论文 |
| Book | 书籍、长文档 |
| Manual | 产品手册、技术文档 |
大多数情况选General就行，如果文档里表格很多可以试试Manual。
- 点击确认，知识库就建好了
第六步：上传文档
进入刚建好的知识库，点击上传文件。
支持的格式非常丰富：
- PDF（包括扫描件）
- Word（.docx）
- Excel（.xlsx）
- PPT（.pptx）
- TXT / Markdown
- 图片（会 OCR 识别）
我这里传了一份 40 页的 PDF 产品手册做测试。
上传后点击开始解析，RAGFlow 会自动进行：
- 版面分析（识别标题、正文、表格、图片）
- OCR 识别（如果是扫描件）
- 表格结构识别
- 文本分块
这一步是 RAGFlow 的核心竞争力。解析完成后，你可以点进去看每个分块的内容：
- 每个块是怎么切的
- 表格有没有被正确识别
- 如果切得不好，可以手动调整（这个功能其他工具基本没有）
解析速度取决于文档复杂度，一份 40 页的 PDF 大概需要 2-5 分钟。扫描件会更慢一些，因为要跑 OCR。
第七步：创建对话助手
知识库建好、文档解析完，最后一步是建一个问答助手。
- 左侧菜单点对话→创建助手
- 配置：
- 助手名称：随便起
- 对话模型：选
qwen3.5:9b - 关联知识库：选刚才建好的知识库
- 提示词可以根据场景调整，比如：
你是一个专业的文档问答助手。请根据知识库中的内容回答用户的问题。如果知识库中没有相关信息，请明确告知用户，不要编造答案。回答时请标注信息来源。- 点击确认，助手就创建好了
实测效果
我用一份产品技术手册测试了几个问题：
问题 1：“这个产品支持哪些通信协议？”
RAGFlow 准确找到了手册中"通信接口"章节的内容，列出了支持的协议，还标注了出自第 12 页。点击引用可以直接看到原文段落。
问题 2：“安装环境要求是什么？温度和湿度范围？”
从手册的安装章节中精准定位到表格数据，温度 -20°C ~ 60°C，湿度 5% ~ 95%，回答准确。
问题 3：“和竞品 A 相比有什么优势？”（手册里没有的内容）
模型回答"根据现有文档资料，未找到与竞品 A 的对比信息"——没有瞎编，这很重要。
整体感受：
- 检索准确率高，尤其是表格内容的提取比 FastGPT 好不少
- 引用溯源很实用，知道答案从哪来的，可以验证
- 中文效果不错，bge-m3 + Qwen3.5 这个组合很搭
常见问题
RAGFlow 启动后访问不了？
# 检查容器状态docker compose ps# 确认所有容器都是 running 状态# 如果 ragflow-server 在 restarting，查看日志：docker compose logs ragflow-server最常见的原因是内存不足，RAGFlow 默认需要约 8GB 内存。可以在docker-compose.yml里调小 Elasticsearch 的内存：
environment: - "ES_JAVA_OPTS=-Xms512m -Xmx512m" # 默认是 1g，改小文档解析失败？
- 确认文件格式支持（PDF、Word、Excel 等）
- 文件不要太大，单文件建议不超过 50MB
- 扫描件 PDF 需要更长的解析时间，耐心等
回答质量不好？
- 先检查文档分块是否合理，点进知识库查看每个块
- 调整分块方法，比如表格多的文档换成 Manual 或 Table
- 适当增加检索返回的分块数量（默认 6 个，可以调到 8-10）
资源占用参考
在我的笔记本上（i7 + 16GB 内存 + RTX 3060 12GB）实测资源占用：
| 组件 | 内存占用 | 显存占用 |
|---|---|---|
| RAGFlow（Docker 全套） | ~6GB | — |
| Ollama + Qwen3.5 9B | ~2GB | ~7GB |
| Ollama + bge-m3 | ~1GB | ~1GB |
| 合计 | ~9GB | ~8GB |
16GB 内存 + 8GB 显存是比较舒服的配置。如果内存只有 8GB 会比较吃力，建议把 Qwen3.5 换成 4B 或 2B 版本。
总结
RAGFlow + Ollama 这套方案，核心优势就三个：
- 完全本地运行，数据不出你的电脑，适合处理敏感文档
- 文档解析能力强，扫描件、表格、复杂排版都能处理
- 引用溯源，回答有据可查，不是黑箱
适合的场景：
- 企业内部知识库（产品手册、技术文档、规章制度）
- 个人学习笔记问答（论文、教材、读书笔记）
- 项目文档管理（需求文档、接口文档、会议纪要）
不适合的场景：
- 文档量特别大（上万份），需要更专业的企业级方案
- 对回答速度要求极高（本地模型推理有延迟）
整个搭建过程，快的话 30 分钟就能跑通。如果你有一堆文档想让 AI 帮你问答，强烈建议试试这个方案。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～