dify v0.15.3外挂ragflow知识库，保姆级教程来了！

原创 张龙斐 Datawhale

 Datawhale干货 

作者：张龙斐，Datawhale鲸英助教**

上一次我们学习了如何部署ragflow，本次我们学习如何使用ragflow+dify搭建本地问答系统。

为什么要和dify结合呢，是因为dify的智能体功能非常强大，ragflow中虽然有类似的功能，但是并没有dify那么强大；但是ragflow可以解决dify解析和检索短板。

对应的，ragflow的资源消耗比较大，大家可以注意一下！

最后，如果大家有疑问和建议非常欢迎批评指正！

面向人群：计算机小白

阅读时间：10分钟

安装dify

• 确保电脑上安装了docker，git，vscode三个软件

• Windows Docker 安装 | 菜鸟教程

  ：https://www.runoob.com/docker...

• git：https://cloud.tencent.com/dev...
• vscode：https://zhuanlan.zhihu.com/p/...

• 开始安装dify

  首先在文件夹中点击鼠标右键，open git bash here，之后执行命令：git clone https://github.com/langgenius... --branch 0.15.3。完成后关闭git bash窗口，可以看到有一个dify的文件夹，打开这个文件夹并进入到docker文件夹下，右键菜单栏点击在终端中打开。

  

  

  之后在终端中逐行执行以下命令：

  copy .env.example .env
  # 复制环境文件
  copy middleware.env.example middleware.env
  # 复制环境文件
  docker compose -p dify up -d
  # 启动为dify名称，避免compose冲突

![Image](https://mmbiz.qpic.cn/sz_mmbiz_png/vI9nYe94fsEut9uALZ8rsMgj5bsFgNhHiaibJlOTJsOIxMGW9cU2qa9RqoPaXNOpL88pGbZBh3xn41m0uLk9EyMw/640?wx_fmt=png&from=appmsg)

看到9个容器都在运行中即是部署成功了。此时打开docker容器可以看到dify后端运行情况：

![Image](https://mmbiz.qpic.cn/sz_mmbiz_png/vI9nYe94fsEut9uALZ8rsMgj5bsFgNhHiaKrP2RibvhQx9ey6ro4wuBIv9GkQ76micz7KzC45fuAjdb1Fria53n16Q/640?wx_fmt=png&from=appmsg)

• 解决端口冲突

  找到上次存放ragflow的文件夹，进入docker中，用vscode打开docker-compose.yml文件，修改其中的端口。

  

  

之后在此文件夹（路径一定要正确，相当于在特定的房间里启动这台机器）下右键打开命令行，输入： docker compose up -d

可以看到ragflow服务也成功启动了，避免了端口冲突。当然这里也可以命名为ragflow服务docker compose -p ragflow up -d

搭建本地问答系统

创建ragflow知识库+ragflow api

这里我们可以继续选择使用deepseek的api来搭建，也可以设置为本地或者其他服务的接口。

输入网址：localhost:8080 打开ragflow界面，填入注册的账号和密码登录。

💢

文档解析会非常慢，请大家耐心等候，目前没有找到批处理的方案，手动一个一个点击解析吧（据我测试一次解析3个比较稳妥）

这一步我们创建ragflow的API，以便之后接入dify中。

ragflow进行本地问答

• 进行检索测试，测试检索命中准确度如何

• 直接使用搜索功能查询名词，或者给出解释。

• 聊天这里创建简易的智能体

• 这里我们可以邀请团队成员一起使用这个知识库

Dify与ragflow联通

同样的我们在浏览器地址栏输入：localhost:80 即可打开Dify

图中第4步骤需要填本地ip地址，http://本地IP:8080/api/v1/dify

apikey为上一步创建的ragflow api，复制填入即可。

本地ip 查看方法：打开powershell，输入 ipconfig，找到下图对应的IPv4地址：

之后我们点击下图所示的

可以看到我们的知识库是调用成功了。

Dify的使用

我们可以看到这里有非常多的模型配置选择，在ragflow中有embedding模型和rerank模型，不过它们都没有发布为api，无法调用。这里我们可以去硅基流动平台或者阿里百炼平台或者火山引擎，它们都提供了多种模型的api服务，申请api后填入key即可。

在探索页面有非常多的应用开发模板提供，按照自己的应用场景选择合适的即可，比如我想要一个社会学领域知识深度搜索的应用，就选择DeepResearch模板。

最后我们开发好工作流应用就可以啦，把配置好的应用发布为服务或者API都可以。

应用启动与更新

1. 1. 应用启动：打开docker界面，把对应的容器服务全部开启。

浏览器分别输入：localhost:80 与 localhost:8080 打开dify 和 ragflow。

1. 2. 应用更新： 在对应的文件夹位置打开命令行，更新哪个就在哪个文件夹（docker文件夹）下打开，并键入以下命令：

docker compose down
git pull origin main
docker compose pull
docker compose up -d

同时，请更新环境变量配置：

• 如果 .env.example 文件有更新，请同步更新您本地的 .env 文件。
• 检查 .env 文件中的所有配置项，确保它们与您的实际运行环境相匹配。您可能需要将 .env.example 文件中的新变量和更新后的值添加到 .env 文件中。

Rag最全梳理：《最全梳理：一文搞懂RAG技术的5种范式！》

DeepSeek+Ragflow：《DeepSeek接入个人知识库，保姆级教程来了！》

一起“点赞”三连↓