在 Ubuntu 24.04 LTS 一台机子上同时部署Dify 1.3.1 和 RAGflow 0.18.0

一、RAGflow 0.18.0 简介

        有关 Dify 的简介，可以查看我之前分享的 《在 Ubuntu24.04 LTS 上 Docker Compose 部署 Dify 社区版 1.0.1》文章。RAGFlow是一款基于深度文档理解（deepdoc）构建的开源 RAG引擎。其中，深度文档理解，是 RAGFlow 对文档解析的一个解决方案，它包含两个组成部分：视觉处理和解析器。其中视觉处理是通过OCR，布局识别，表结构识别来完成图像，PDF，表格的识别的。针对PDF、DOCX、EXCEL和PPT四种文档格式，都有相应的解析器。能够从各类复杂格式的非结构化数据中提取信息，文本切片过程可视化，还支持手动调整。支持丰富的文件类型，包括 Word 文档、PPT、excel 表格、txt 文件、图片、PDF、影印件、复印件、结构化数据、网页等。更重要的是，他还集成了各种嵌入模型，rerank模型，提供易用的 API，可以轻松集成到各类企业系统。

        RAGflow 官网地址：https://ragflow.io/

        RAGflow 0.18.0 官方文档地址：​https://ragflow.io/docs/v0.18.0/​

        RAGflow 系统架构：

        RAGflow 主要功能：
        （1） "Quality in, quality out"
        基于深度文档理解，能够从各类复杂格式的非结构化数据中提取真知灼见。
        真正在无限下文（token）的场景下快速完成大海捞针测试。
        （2）基于模板的文本切片
        不仅仅是智能，更重要的是可控可解释。
        多种文本模板可供选择
        （3）有理有据、最大程度降低幻觉（hallucination）
        文本切片过程可视化，支持手动调整。
        有理有据：答案提供关键引用的快照并支持追根溯源。
        （4）兼容各类异构数据源
        支持丰富的文件类型，包括 Word 文档、PPT、excel 表格、txt 文件、图片、PDF、影印件、复印件、结构化数据、网页等。
        （5）全程无忧、自动化的 RAG 工作流
        全面优化的 RAG 工作流可以支持从个人应用乃至超大型企业的各类生态系统。
        大语言模型 LLM 以及向量模型均支持配置。
        基于多路召回、融合重排序。
        提供易用的 API，可以轻松集成到各类企业系统。

        RAGflow 0.18.0 升级内容说明：
        新功能
        MCP服务器: 允许通过MCP访问RAGFlow的知识库。
        DeepDoc支持在文档布局识别过程中采用VLM模型作为处理管道，从而可以对pdf中的图像进行深入分析。
        代理版本控制: 所有更新都将持续记录，并且可以通过导出回滚到以前的版本。
        团队协作: 可以与团队成员共享座席。
        与OpenAI兼容的api: 可以通过与OpenAI兼容的api调用代理。
        用户注册控制: 管理员可以通过环境变量启用或禁用用户注册。
        改进
        增强的答案引用: 提高了生成的响应中的引用准确性。
        增强的问答体验: 用户现在可以在对话期间手动停止流式输出。
        其他详见RAGflow的release的tag说明（ https://github.com/infiniflow/ragflow/releases/tag/v0.18.0 ），如下：

二、RAGflow 安装软硬件条件检查

        （1）官方支持x86 CPU和Nvidia GPU 硬件，其他 ARM 等硬件官方截至目前尚未暂不作为正式支持硬件。
        （2）Linux 操作系统内核不建议低于6.0 的 LTS 版本；Windows 操作系统不建议低于 Win10 专业版 22H2 或 Window Server 2025 最新稳定版。
        （3）CPU 大于等于 8核（x86）；一会有杠精要抬杠说官方是不少于4核，亲咱们是Dify和RAGflow安装同一台机子。
        （4）RAM 大于等于 32 GB 。
        （5）磁盘 大于等于 512 GB 。
        （6）Docker 大于等于 28.1.1 ，并且 Docker Compose 大于等于 2.35.1 。
        （7）Git 大于等于 2.43.0 。

三、在 Ubuntu 24.04 LTS  部署 RAGflow 0.18.0

3.1 控制进程可以拥有的内存映射区域（Memory Mapped Regions）的最大数优化

        vm.max_map_count。该值设置进程可能具有的存储器映射区域的最大数量。其默认值为65530。虽然大多数应用程序需要少于一千个映射，但减少此值可能会导致异常行为，并且当进程达到限制时，系统将抛出内存不足错误。RAGFlow v0.18.0使用Elasticsearch或无穷大多次召回。设置vm.max_map_count的值为正确地对Elasticsearch组件的正常运行至关重要。以下命令操作需要高级权限（root或sudo等）：

# 检查的值vm.max_map_count
sysctl vm.max_map_count# 重置vm.max_map_count设置为大于等于262144的值 (如果不是)；本机（八张A100的8U机架人工智能一体机）内存2TB , 所以设置100万负载
sysctl -w vm.max_map_count=1048576在 /etc/sysctl.conf 文件里把 vm.max_map_count 的值再相应更新一遍：vm.max_map_count=1048576sysctl -p# 验证限制是否生效
cat /proc/sys/vm/max_map_count

3.2 下载 RAGflow 社区版源代码

git clone https://github.com/infiniflow/ragflow.gitcd ragflow/dockergit checkout -f v0.18.0

3.3 修改 .env 配置文件里 RAGFlow 版本

        把  docker/.env  配置文件里，RAGFLOW_IMAGE=infiniflow/ragflow:v0.18.0-slim 修改为 RAGFLOW_IMAGE=infiniflow/ragflow:v0.18.0 ；然后保存。

3.4 修改 RAGflow 对外暴露映射端口（80端口已经分配给 Dify 使用）

（1）修改 docker-compose.yml 默认的端口 80 和 443 

（2）修改 docker-compose-gpu.yml 默认端口 80 和 443

3.5 进行构建

# 进入docker目录
cd ragflow/docker# 使用CPU执行嵌入和DeepDoc任务使用下面命令
docker compose -f docker-compose.yml -p ragflow up -d# 使用GPU加速嵌入和DeepDoc任务 （这个命令和上面的命令二选一，或者，把docker-compose-gpu.yml里配置英伟达GPU加速的复制到docker-compose.yml 里也可以）
docker compose -f docker-compose-gpu.yml -p ragflow up -d

3.6 docker-compose.yml 和 docker-compose-gpu.yml 的主要区别

    deploy:resources:reservations:devices:- driver: nvidiacount: allcapabilities: [gpu]

3.7 打开浏览器访问 RAGflow 配置账号

        由于前面，我们把web端口设置为了38080端口，docker镜像拉取后，等待容器启动完成，在浏览器输入:  http://127.0.0.1:38080 即可访问。

四、在 Ubuntu 24.04 LTS  部署 Dify 1.3.1 

4.1 克隆 Dify 源代码至本地环境

git clone https://github.com/langgenius/dify.git --branch 1.3.1

4.2 启动 Dify

# 进入 Dify 源代码的 Docker 目录
cd dify/docker# 复制环境配置文件
cp .env.example .env# 修改 .env 配置文件配置，规避插件安装异常将 FORCE_VERIFYING_SIGNATURE=true 修改为 FORCE_VERIFYING_SIGNATURE=false # 启动 Docker 容器
cd dify/docker
docker compose -f docker-compose.yaml -p dify down
git pull origin main
docker compose pull
docker compose -f docker-compose.yaml -p dify up -d

4.3 前往管理员初始化页面设置设置管理员账户

# 本地环境（Dify使用的是默认的80端口，所以访问地址可以省略）
http://localhost/install# 服务器环境
http://your_server_ip/install

4.4 访问 Dify 主页面

# 本地环境（Dify使用的是默认的80端口，所以访问地址可以省略）
http://localhost# 服务器环境
http://your_server_ip

五、Dify 外部知识库对接 RAGflow

        为什么要 RAGflow 和 Dify 结合呢？是因为 RAGflow 可以解决 Dify 在RAG 和 知识库解析和检索短板。

5.1 创建 RAGflow 知识库

        输入网址：http://localhost:38080 打开ragflow界面，填入注册的账号和密码登录。然后创建供Dify调用的知识库。

5.2 Dify与ragflow联通

        同样的我们在浏览器地址栏输入：http://localhost:80 即可打开Dify 。

        点击知识库，配置外部知识库。

        图中Name填写对应RAGflow即将被调用的知识库名字。
        图中API Endpoint填写RAGflow地址，http://RAGflow的IP:38080/api/v1/dify
        图中API Key填写RAGflow 的 api key 密钥。

        然后，连接外部知识库。

        在Dify里进行召回测试，看是否查询RAGflow知识库内容。

--------------------------------------

没有自由的秩序和没有秩序的自由，同样具有破坏性。