Ai智能体专栏---从零搭建完全本地、无依赖、可离线的个人知识库---Ollama+RAGFlow 保姆级教程
前言
最近在做项目时，遇到需要构建个人知识库的需要，所以本期从零搭建一套完全本地、无依赖、可离线使用的个人知识库系统。
一、方案介绍
1. Ollama：本地大模型的 “万能管家”
Ollama 是一款轻量工具，一键就能在本地部署和管理各类大语言模型（LLM），不用复杂的环境配置，新手也能快速上手。我们用它来部署对话模型和嵌入模型，所有数据全程在本地运行，隐私性拉满。
2. RAGFlow：开箱即用的知识库框架
RAGFlow 是一款基于检索增强生成（ RAG
）的开源知识库工具，支持多种文件格式解析、智能分块和向量检索，搭配 Ollama 就能实现 “上传文档→智能问答” 的完整流程，完全不用自己从零写代码。
二、前置环境准备
1. 安装 WSL2（Windows 用户必备）
Windows 版 Docker Desktop 依赖 WSL2 作为后端运行环境，需先安装 WSL2：
以管理员身份打开 PowerShell ，执行安装命令：
wsl --install
安装完成后重启电脑，设置 Ubuntu 账号密码。
验证安装：
wsl --list --verbose
输出显示 Ubuntu 版本为 2 即安装成功。
节省 C 盘空间：可将 WSL2 虚拟磁盘迁移至 D 盘，避免占用系统盘空间。步骤如下：
关闭所有 WSL 实例：
wsl --shutdown
作用：停止所有运行中的 WSL 环境，确保虚拟磁盘文件没有被占用。
导出 Ubuntu 为备份文件（存到 D 盘）
mkdir D:\wsl-backup wsl --export Ubuntu D:\wsl-backup\ubuntu.tar
作用：把 C 盘里的 Ubuntu 系统完整备份成一个 tar 包，存到 D 盘，方便后续导入。
注销当前 Ubuntu 发行版。
wsl --unregister Ubuntu
⚠️ 注意：这一步会删除 C 盘里的 Ubuntu 系统文件，但不会删除刚才导出的备份文件。
在 D 盘创建新的 WSL 目录
mkdir D:\wsl
作用：创建新的安装目录，用来存放迁移后的 Ubuntu 系统。
把备份的 Ubuntu 导入到 D 盘
wsl --import Ubuntu D:\wsl\Ubuntu D:\wsl-backup\ubuntu.tar --version 2
恢复默认登录用户
ubuntu config --default-user administrator
验证迁移是否成功
wsl --list --verbose
如果输出里的Ubuntu状态为Running，版本为2，说明迁移成功，如下图所示：
2. 安装 Docker Desktop
访问 Docker 官网下载安装包，安装时勾选如下图所示：
启动 Docker Desktop，等待右下角图标变绿（服务运行中）。
验证安装：
新开 PowerShell 窗口执行:
docker --version
输出版本号即成功,如下图所示：
三、第一步：安装并配置 Ollama（本地大模型环境）
1. 下载安装 Ollama
访问 Ollama 官网，根据你的系统（Windows/macOS/Linux）下载对应版本安装包，默认路径安装即可。如下图所示：
很多人会苦恼 ollama 软件下载很慢，解决思路如下（个人亲测好用方法）：
使用某雷软件加速下载（推荐）
鼠标悬停，会在左下角显示下载链接。点击右键，选择复制下载链接。如下图所示：
然后复制完直接到迅雷去下载即可。
安装完成后，打开 PowerShell 输入以下命令验证是否安装成功：
ollama --version
如下图所示：
2. 关键环境变量配置
安装后一定要配置两个核心环境变量，否则后续会出现模型路径乱存、跨服务访问失败等问题：
右键「此电脑」→「属性」→「高级系统设置」→「环境变量」，在系统变量中点击「新建」
配置第一个变量：让其他服务（如 RAGFlow）能访问本地 Ollama
变量名：OLLAMA_HOST
变量值：0.0.0.0:11434如下图所示：
配置第二个变量：修改模型默认存储路径，避免占满 C 盘
变量名：OLLAMA_MODELS。
变量值：D:\LLM（可自定义为你想存模型的路径，建议 D 盘）。
配置完成后，必须重启电脑，否则变量不生效！如下图所示：
3、下载并启动对话模型（以 Qwen3:8B 为例）
打开 PowerShell，输入以下命令下载并启动模型：
ollama run qwen3:8b
下载完成后，会自动进入对话交互界面，输入问题即可测试模型是否正常运行。如下图所示：
四、RAGFlow 的安装和部署
通过cd /mnt/d/ragflow/docker进入项目目录。
再拉取镜像，指令如下：
docker compose up -d
注意如果直接拉取大概率是不成功的。可能会出现如下失败情况：
原因一般是镜像下载过程中，网络不稳定导致文件损坏。
此时需要换国内镜像源，进入如下图界面所示：
换成国内源如下（亲测好用）：
{ "registry-mirrors": [ "https://docker.registry.cyou", "https://docker-cf.registry.cyou", "https://dockercf.jsdelivr.fyi", "https://docker.jsdelivr.fyi", "https://dockertest.jsdelivr.fyi", "https://mirror.aliyuncs.com", "https://dockerproxy.com", "https://mirror.baidubce.com", "https://docker.m.daocloud.io", "https://docker.nju.edu.cn", "https://docker.mirrors.sjtug.sjtu.edu.cn", "https://docker.mirrors.ustc.edu.cn", "https://mirror.iscas.ac.cn", "https://docker.rainbond.cc" ] }
拉取成功如下图所示：
拉取成功之后，再开启docker服务，命令为，如下图所示：
docker compose up -d
然后我们可以用如下命令来确认所有正在运行的容器名称：
docker ps
如下图所示：
服务器启动成功后再次确认服务器状态:
docker logs -f docker-ragflow-cpu-1
如下图所示：
这里注意，安装完成后并不是要进入 下面两个地址：
http://127.0.0.1:9381 http://172.18.0.6:9381
而是要进入：
http://localhost:80
先注册账号，是下面这个页面:
注册完成之后进入这个页面
五、添加模型
我们先可以选中文简体，再如下图我们先配置模型，点击右上角头像，再点击模型提供商
点击Ollama添加模型，填写模型信息。
如果ollama是在本机的话docker访问宿主机url为：
http://host.docker.internal:11434
再下一个Embedding 模型
这里我们下载nomic-embed-text，使用指令如下：
ollama pull nomic-embed-text
还是和之前一样的步骤，如下图所示：
添加了之后是这样
然后再设置默认模型，如下图所示：
六、知识库使用
1.创建知识库
2.上传文件解析
在数据集中，点击新增文件，选择文件后选择上传。如下图所示：
点击开始按钮进行解析，解析就是相当于向量化以及分块，如下图所示：
解析完之后如下图所示：
七、聊天助手
在聊天模块中点击新建助理，填写信息，选择知识库。在模型设置中配置模型信息。
可以在聊天设置里设置相关配置
总结
本教程完整实现了Windows 环境下纯本地、无外网依赖、可永久离线使用的个人智能知识库系统，全程基于 Ollama 管理本地大模型、RAGFlow 实现文档检索问答，无需调用第三方云服务，所有数据、模型、文档均存储在本地电脑，兼顾隐私安全、使用成本与操作便捷性。
通过 WSL2+Docker 完成环境部署，优化了磁盘占用问题，搭配 Qwen3:8B 对话模型与 nomic-embed-text 嵌入模型，实现了文档上传→智能解析分块→向量检索→精准问答的完整 RAG 流程；同时支持 API 调用，可轻松对接前端、小程序、自有项目，把本地知识库变成可复用的智能问答接口。
