RAGFlow迁移到GPU服务器（Docker容器元数据修复）

原创 已于 2025-06-11 21:30:48 修改 · 1.1k 阅读 · 19
标签
#服务器 #运维
于 2025-06-11 11:03:28 首次发布

RAGFflow安装在本地CPU服务器，没有GPU，解析PDF一直很卡，前段时间，刚好分析OCR相关内容，看到RAGFlow的DeepDoc能力，发现在解析PDF的时候有时候需要使用到GPU服务器，所以将RAGFlow服务迁移到GPU服务器，迁移后再验证下解析PDF还会不会卡。

查看docker版本

[root@localhost ~]# docker --version

Docker version 26.1.4, build 5650f9b

[root@ecs-58319413 ~]# docker --version

Docker version 26.1.4, build 5650f9b

docker版本相同

源服务器，复制文件

scp ragflow-main.zip root@[目标服务器IP]:/root/ragflow

【输入yes】输入密码
目标机器，解压文件

cd /root/ragflow && unzip ragflow-main.zip
修改配置

cd /root/ragflow/ragflow-main/docker/ && cp .env .env.bak && vi .env

RAGFLOW_IMAGE=swr.cn-north-4.myhuaweicloud.com/infiniflow/ragflow:nightly
RAGFLOW_IMAGE=registry.cn-hangzhou.aliyuncs.com/infiniflow/ragflow:nightly

去掉前面的#和空格，wq保存

源服务器打包容器

ragflow-server-nightly.tar文件很大18G，其他还好

docker export -o ragflow-server-nightly.tar ragflow-server

docker export -o ragflow-minio.tar ragflow-minio

docker export -o ragflow-es-01.tar ragflow-es-01

docker export -o ragflow-mysql.tar ragflow-mysql
最低0.47元/天 解锁文章
RAGFlow体验大提升:使用GPU加速
Ven%的博客
03-27 3087
场景:在正常部署过程中,启动RAGFlow会用到docker-compose.yml文件来启动。但是在实际使用过程中,会发现RAGFlow极其的卡和笨重,给一一种很不好的用户体验,有没有一种可以让RAGFlow加速的呢?进入RAGFlow的docker目录下会有发现有很多docker的配置文件。方法一：选择docker-compose-gpu.yml这个来启动项目。两个方法选其一 ,就会让你的RAGFlow的使用起来非常的丝滑!方法二：在docker-compose.yml末尾加上。
RAGFlow入门和安装部署
沐雪架构师
04-28 1859
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。
RAGFlow部署
★ James Liu @ CSDN
11-18 1101
RAGFlow是一个开源检索增强生成(RAG)引擎，支持多格式文档深度解析（包括扫描件、图片等），提供可视化知识分块和答案溯源功能。适合构建企业知识库系统。
RAGFlow部署教程：Ubuntu24.04
同步更新https://blog.must-xin.com/，内容转载请联系作者本人
05-09 646
这两年深切的感受到AI的大爆发，干活越来越快也越来越懂自己了，但是完全依靠外在力量总感觉会对个人的成长不利，有工具不用也更像个傻子。AI本身不会形成壁垒，你能用别人也会用，想要在当前环境更突出，个人技术实力当然是一方面，毕竟AI是个人能力放大器；同时，同样的工具用的更好我觉得也是一方面，建立自己或者企业的知识库，让你的AI更懂自己，更贴近生产需要，作为知识沉淀我觉得是一个很好的方向。
项目实训纪实（四）——DeepSeek+ollama+RAGFLow构建知识库
m0_74111888的博客
04-28 1934
通过本次实践，我们成功实现了DeepSeek与RAGFlow的本地化融合部署，构建了一个具备语义检索能力的智能问答系统。该系统不仅能充分利用私有知识库提供精准、可追溯的回答，还具备良好的隐私保护与扩展性，为后续oj内应用大模型后端方法提供了支持。
ragflow之初体验
smartvap_2012的博客
10-11 6958
文本嵌入（Text Embedding）是将文本数据转化为固定维度向量表示的过程，这些向量可以捕捉文本的语义信息，使相似的文本在向量空间中距离较近，从而便于进行相似度计算、分类和聚类任务。【注意】docker运行环境、docker-compose的二进制版本从此处下载：https://download.docker.com/linux/static/stable/x86_64/、https://github.com/docker/compose/releases?
RAGFlow Docker部署实战：CPU与GPU版本性能对比分析
gitblog_00859的博客
12-08 1716
你还在为RAGFlow部署后检索速度慢、文档处理卡顿而烦恼吗？作为基于深度文档理解的开源RAG引擎，RAGFlow的性能表现很大程度上依赖部署环境。本文将通过Docker容器化部署实战，对比CPU与GPU版本在实际场景下的性能差异，帮助你选择最适合的部署方案。读完本文你将获得： - 两种部署模式的详细操作指南 - 关键性能指标的对比分析 - 不同业务场景下的版本选择建议 ## 部署环境准备 #
DeepSeek+MCP+Skills+知识库：构建企业级对话即部署系统
最新发布
weixin_34301132的博客
06-22 401
对话即部署是一种将自然语言指令直接转化为自动化执行能力的技术范式，其核心在于大模型推理、可复用技能单元、标准化通信协议与语义化知识库的协同。DeepSeek凭借长上下文稳定性与中文理解优势成为优选推理底座，MCP协议则统一了Skills的注册、发现与调用标准，使能力真正资产化、可审计、可编排；而融合图谱增强的RAGFlow知识库，突破传统向量检索局限，支撑精准语义索引。该架构广泛适用于金融合同解析、IT SOP执行、销售数据自动报告等强业务耦合场景，显著降低Prompt工程门槛与API对接成本，推动AI从辅
Debian 10 LAMP生产部署指南：稳定、合规、可审计的Web基础设施
axfcjwkbi259888707的博客
06-19 351
LAMP（Linux+Apache+MySQL/MariaDB+PHP）是历经三十年验证的开源Web基础架构范式，其模块解耦、日志可溯、权限可控的特性，使其在等保合规、离线部署、遗留系统维护等强约束场景中不可替代。Apache提供低资源占用与SELinux兼容性，MariaDB具备事务一致性与GTID主从同步能力，PHP 7.3则以配置精简、行为确定著称——这三者在Debian 10官方源中形成高度协同的稳定组合。本文聚焦真实生产约束：版本锁定、用户隔离、存储边界、SSL证书自动化与OPCache深度调优，
Ollama+AnythingLLM本地知识库实战：私有化RAG落地指南
weixin_30689307的博客
06-19 345
RAG（检索增强生成）是构建可信AI问答系统的核心范式，其本质是将外部知识与大模型推理动态结合，解决幻觉与信息滞后问题。原理上依赖文档切分、向量嵌入、相似性检索与上下文注入四步闭环；技术价值在于平衡准确性、响应速度与数据主权——尤其适合对隐私敏感、网络受限或需结果可追溯的场景。典型应用包括企业内部文档智能检索、技术手册即时问答、合同与合规材料精准定位等。本文聚焦Ollama与AnythingLLM组合，以轻量架构实现开箱即用的本地RAG能力，覆盖ollama国内镜像源配置、anythingllm离线部署、C
RAGFlow 0.16.0 特性总览——GraphRAG、标签库及其他
datageek的博客
02-07 6855
RAGFlow 0.16.0 是 2025年的第一个 release。春节期间 DeepSeek R1 火遍全世界，这让我们在之前作出的预测——2025 年下半年开启 LLM 的理解与决策的时间点，大大提前。因此，在后续的版本迭代中，将逐步开启对 Contextual Memory，以及 Reasoning 方面的功能，欢迎大家提出对这方面功能的场景和需求定义。欢迎大家持续关注 RAGFlow https://github.com/infiniflow/ragflow，在 GitHub 上给我们点亮⭐️。
RAGFlow：企业知识密集型任务新引擎
charles666666的博客
08-13 1412
RAGFlow是一种创新的知识检索生成框架，通过检索、融合、生成三阶段处理复杂知识密集型任务。其核心优势包括：高效检索（TB级数据、毫秒响应）、精准融合（多模态整合、知识图谱构建）、灵活生成（自定义风格格式）。应用场景广泛，如智能客服（金融/电商）、内容创作（媒体/出版）、医疗辅助（诊断/科研）、智能办公（知识管理/文档生成）。部署推荐NVIDIA A100 GPU集群，选用Sentence-BERT、GraphSAGE、ChatGLM-6B等优化模型，支持容器化管理和量化技术。该框架显著提升知识处理效率和
RagFlow的本地部署
热门推荐
wjj_fire的博客
02-07 1万+
RAGFlow 是一款开源的 RAG（Retrieval-Augmented Generation）引擎，可以用于高效处理信息，为多种场景提供智能解决方案，如本地知识库的构建、问答系统的搭建，大量文本信息的处理等。另外，当在UI界面中选择以下其他模型时，会自动从HuggingFace下载，如果不能连接HuggingFace，可以设置以下环境变量，从镜像网点下载；模型名称填写ollama中模型的名称，可以用ollama list命令查看已安装的模型。在添加了的模型中，会显示有ollama。
RAGFlow：重型知识库引擎
m0_59164520的博客
08-27 7934
给大家推荐一款重磅产品。如果你对现在的知识库产品不满意，想要提升检索精确度，我推荐你试一试RAGFlow。它提供了更深度、更细致的选项，你可以根据自己文档的情况做针对性的调整。如果你们团队或者公司想要搭建一套本地知识库，我也建议你们先研究一下RAGFlow。我之前就在社群里说过：大概率，你们自己捣鼓出来的东西不会比它更好——还不如在它的基础上做定制化。RAGFlow是一套开源的RAG引擎。它重度集成了各种技术，而且更新很快。
RAGFlow v0.9 重磅升级，支持 GraphRAG，开启下一代 RAG 之旅！
FrenzyTechAI的博客
08-09 4283
RAGFlow v0.9 的发布，标志着知识图谱增强型 RAG 系统 (RAG 2.0) 的全新时代正式开启。GraphRAG 作为其中的先行者，展现了 LLM 驱动下的知识图谱构建技术所蕴含的巨大潜力。它不仅为 RAG 系统注入了更强大的语义理解和知识推理能力，也为智能问答、语义搜索、知识发现等领域的应用打开了新的大门。GraphRAG 之所以能够取得成功，很大程度上得益于它对传统知识图谱构建流程的简化，使其更容易在实际工程中落地。
来了来了！企业开源知识库RAGFlow使用教程
2401_85373898的博客
06-16 3861
下面，来介绍下RAGFlow的核心功能。从下面图中可以看出，有5个，但是最核心的，其实就两个，一个是知识库（最核心），一个是聊天，其他三个都是辅助功能。有人好不同意了，人家也有Agent智能体功能啊，但实话，个人用起来，不是特别好用，简单的场景还可以，复杂的场景，支持有限。先从非核心功能介绍起：1、文件管理顾名思义，就是管理你上传的各种知识库文件，没啥多说的。2、搜索单纯的侧重于对知识库文件内容进行检索，会显示出来内容出处（检索片段）。这里要区别于最上面【聊天】的菜单。
Ragflow Docker部署实战：从端口冲突到GPU启用的避坑指南
web39explorer的博客
03-09 524
本文是一份详细的Ragflow Docker部署实战指南，重点解决在Windows系统上部署时遇到的端口冲突与GPU启用两大难题。文章从环境准备、镜像选择入手，逐步指导如何修改端口配置以避开系统保留端口，并深入解析配置文件以成功启用GPU加速，帮助用户高效部署并发挥Ragflow AI知识库的全部性能。
保姆级教程：用Docker Compose在Ubuntu24.04上部署RagFlow（GPU版）
t1u2v的博客
02-25 706
本文提供了一份详细的教程，指导如何在Ubuntu24.04系统上使用Docker Compose部署GPU加速版的RagFlow。RagFlow是一个基于RAG架构的开源大模型应用平台，支持处理复杂格式的非结构化数据，并通过GPU加速实现高性能。教程涵盖了环境准备、Docker Compose配置、本地模型集成（如Ollama和VLLM）以及高级调优和性能监控，适合技术团队快速上手。
docker利用docker-compose-gpu.yml启动RAGFLOW，文档解析出错【亲测已解决】
weixin_47782004的博客
03-02 7370
想要让RAGFLOW利用GPU资源跑起来，可以选择docker-compose-gpu.yml启动。（但是官网启动案例是×86平台的不是NVIDIA GPU的，docker-compose-gpu.yml又是第三方维护，所以稍有问题）下面是修改后的完整docker-compose-gpu.yml文件，可以直接复制。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

csdou

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值