写在前面

温馨提示：如果本机使用docker部署了Dify，在部署RAGFlow时，需要格外注意，因为都是在docker目录下，为避免影响Dify的运行，请先备份Dify相关的数据！
作者在部署的过程中，启动完成RAGFlow之后，dify的两个容器无法启动，提示redis错误，便顺带升级了dify，从原来的1.4.0升级到了1.4.1版本，在升级的过程中也没出现其他错误，dify中已有的应用和知识库等内容和设置没有收到影响！但还是建议升级前备份数据！

RAGFlow简介

RAGFlow 是一款基于深度文档理解构建的开源 RAG（Retrieval-Augmented Generation）引擎。RAGFlow 可以为各种规模的企业及个人提供一套精简的 RAG 工作流程，结合大语言模型（LLM）针对用户各类不同的复杂格式数据提供可靠的问答以及有理有据的引用。

docker部署

下载网址

访问下述网址 下载最新版镜像：

https://github.com/infiniflow/ragflow

然后进入下载文件的docker目录下，运行以下命令下载docker镜像文件：

$ cd ragflow/docker
$ docker compose -f docker-compose.yml up -d

下载速度比较快，这里注意一下，如果本机同时部署了Dify，则需要修改RAGFlow或者Dify任何一个的相关端口号，否则80端口号冲突，无法启动。这是冲突的表现：启动失败，提示端口被占用，将ragflow的端口进行修改，然后重新启动！

修改RAGFlow端口号

进入docker\docker-compose.yaml配置，找到80:80，将前面的一个80改为自定义端口，即：8081:80，同时将443改为8443。

服务启动

然后重新启动，此时已经正常启动

效果测试

等待启动完成之后，就可以进行测试了，浏览器访问：http://localhost:8081/login，就进入到ragflow登录界面了。

注册邮箱(随便填符合邮箱格式的字符串，记住即可），然后使用注册的邮箱进行登录，干净简洁的界面就出来了。

点击头像，设置，找到模型提供商，点击ollama，然后添加LLM和嵌入模型，点击确定

选择设置系统模型，选择自己的模型

现在可以创建应用了，还支持黑色主题

知识库创建

点选知识库，新建知识库，然后输入知识库名字，确定

然后填写相关信息，保存即可

接下来新增文件，上传自己的文档，知识库就构建完成了。

注意：如果部署了dify，在部署ragflow时候很有可能导致dify个别服务启动不了了

最后对dify做了升级，由原来的1.4.0升级到了1.4.1，正常访问。

以上内容主要介绍了同一台设备部署Dify和RAGFlow的相关过程，接下来将会做Dify和RAGFlow进行对接，协作完成我们的需求。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】