RAGFlow想说爱你不容易，win10环境搭建、常用修改

最近想改下ragflow的源码和研究下大模型。好好的整理下环境。

以前写过python，项目不大，也就几个项目，一般都用python自带的venv做环境管理，单一的python还好一些，我之前安装的是3.9（比较早了）。而有些项目需要3.10，有的需要3.11，有的需要3.12，要么升级，要么安装多套环境。有时候一不注意好几个项目就混合共用一个虚拟环境，然后就是各种版本冲突。

后来安装了anaconda，个人感觉还是有点重了，趁着这次跑微调以及ragflow源码的修改。使用minicoda重新整理了一遍。

我让chatgpt帮我对比了下优缺点。

速度慢，在于解析查找，安装完以后都一样。

本文篇幅交行，我简单的列下本文大纲。

• pip 环境
• minconda3安装
• conda常用操作
• ragflow win10环境配置
• ragflow后端启动
• ragflow前端启动
• ragflow登录界面和图标修改

环境清理

pip推荐

全局设置

只要我们设置一次，以后就一直生效。选择一个设置即可。

# 阿里pip镜像 pip config set global.index-url https://mirrors.aliyun.com/pypi/simple # 清华pip镜像 pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple # 腾讯pip镜像 pip config set global.index-url http://mirrors.cloud.tencent.com/pypi/simple # 豆瓣pip镜像 pip config set global.index-url http://pypi.douban.com/simple/ # 网易pip镜像 pip config set global.index-url https://mirrors.163.com/pypi/simple/ pip config set global.index-url https://mirrors.aliyun.com/pypi/simple Writing to C:\Users\yxkong\AppData\Roaming\pip\pip.ini

临时使用

不想设置全局，可以在安装的时候，临时设置一个。

pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple/

使用pip的时候在后面加上-i参数，指定pip源：

miniconda3安装

官方网址： https://docs.conda.io/projects/conda/en/stable/index.html

国内镜像 https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/

unbuntu 22 安装

在unbuntu中，下载以后，直接执行下面的命令即可。

sh Miniconda3-latest-Linux-x86_64.sh

按照提示，回车->yes->数据安装目录（可选），不输入直接回车->yes

Welcome to Miniconda3 py312_25.1.1-2 In order to continue the installation process, please review the license agreement. Please, press ENTER to continue > >> ANACONDA TERMS OF SERVICE Do you accept the license terms? [yes|no] > >> yes Miniconda3 will now be installed into this location: /home/yxkong/miniconda3 - Press ENTER to confirm the location - Press CTRL-C to abort the installation - Or specify a different location below [/home/yxkong/miniconda3] >>> /opt/app/miniconda3 PREFIX=/opt/app/miniconda3 You can undo this by running `conda init --reverse $SHELL`? [yes|no] [no] >>> yes no change /opt/app/miniconda3/condabin/conda no change /opt/app/miniconda3/bin/conda no change /opt/app/miniconda3/bin/conda-env no change /opt/app/miniconda3/bin/activate no change /opt/app/miniconda3/bin/deactivate no change /opt/app/miniconda3/etc/profile.d/conda.sh no change /opt/app/miniconda3/etc/fish/conf.d/conda.fish no change /opt/app/miniconda3/shell/condabin/Conda.psm1 no change /opt/app/miniconda3/shell/condabin/conda-hook.ps1 no change /opt/app/miniconda3/lib/python3.12/site-packages/xontrib/conda.xsh no change /opt/app/miniconda3/etc/profile.d/conda.csh modified /home/yxkong/.bashrc ==> For changes to take effect, close and re-open your current shell. <== Thank you for installing Miniconda3!

可以看到最后有一个/home/yxkong/.bashrc

验证下

(base) yxk@yxkong:~$ conda -V conda 25.1.1

win10 安装

设置安装目录

• 将Miniconda3添加到环境变量里，官方不推荐，我推荐勾选
• 注册Miniconda3作为默认的python3.12，如果本地已经有python环境，不用勾选，没有勾选上
• 安装完清理

安装以后，我们可以在命令行中执行Get-Command python

PS C:\Users\yxkong> Get-Command python CommandType Name Version Source ----------- ---- ------- ------ Application python.exe 3.12.91... E:\ai\miniconda3\python.exe

conda常用操作

conda配置操作

conda安装以后,我们先设置一下，设置显示通道地址

# 设置显示通道地址 conda config --set show_channel_urls yes # 查看通道channels conda config --show channels channels: - https://repo.anaconda.com/pkgs/main - https://repo.anaconda.com/pkgs/r

• 设置完以后在对应的登录用户目录下，会有一个.condarc文件，不管是unbuntu还是win10,
• 还有一个.condarc，在程序的安装目录中，
• 通过命令操作修改的是当前用户目录中的.condarc文件
• 在操作的时候，是把这两个文件进行了合并。

其他配置操作

# 获取版本号 conda --version 或 conda -V # 检查更新当前conda conda update conda # 禁止conda自动更新 conda config --set auto_update_conda False # 禁止自动激活base环境，需要每次手动激活 conda config --set auto_activate_base false

环境操作

常用操作

# 激活环境 conda activate ragflow # 退出当前环境 conda deactivate # 查看环境列表 conda env list # 查看当前存在哪些虚拟环境 conda env list 或 conda info -e # 删除指定环境 conda env remove -n 环境名称

创建环境

# 创建一个ragflow 的环境，包括 python 3.11 pip conda create -n ragflow python=3.11 pip # 从现有的环境复制一个到新的环境 conda create --clone old_env -n new_env # 激活环境 conda activate ragflow

包管理

# 查看指定环境的包列表， conda list package_name # 查询当前包环境 conda list # 安装包，可以通过=设置版本号 conda install package_name # 比如 conda install numpy=1.18.5 conda install -c channel_name package_name # 根据requirements.txt安装环境 conda install --file requirements.txt # 从当前激活的 conda 环境中导出包列表到 requirements.txt 文件 conda list --export > requirements.txt # 查询包 conda search package_name # 更新包 conda update package_name # 删除包 conda remove package_name

镜像源设置

添加国内镜像

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/

添加的这些链接是什么含义？接下来我们了解下。

镜像路径解释

清华大学的镜像站还是蛮全的，地址：https://mirrors.tuna.tsinghua.edu.cn/。 这里有很多好经常使用的软件。还有同步时间。

https://mirrors.tuna.tsinghua.edu.cn/anaconda/

通过上面的说明，我们可以看到每个目录的含义，添加额每个url是什么含义，就有了清晰的了解了。

常用镜像站

清华

北外

https://mirrors.bfsu.edu.cn/anaconda

最后重定向到了清华

中科大

https://mirrors.ustc.edu.cn/anaconda/

conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/conda-forge/ conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/msys2/ conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/bioconda/ conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/menpo/ conda config --set show_channel_urls yes

我设置的

channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/ - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/win-64/ - https://mirrors.bfsu.edu.cn/anaconda/pkgs/free/ - https://mirrors.bfsu.edu.cn/anaconda/pkgs/main/ - https://mirrors.bfsu.edu.cn/anaconda/cloud/conda-forge/ - https://mirrors.ustc.edu.cn/anaconda/pkgs/free/ - https://mirrors.ustc.edu.cn/anaconda/pkgs/main/ - https://mirrors.ustc.edu.cn/anaconda/cloud/conda-forge/ - https://mirrors.ustc.edu.cn/anaconda/cloud/bioconda/ - https://mirrors.ustc.edu.cn/anaconda/cloud/msys2/ - https://mirrors.ustc.edu.cn/anaconda/cloud/menpo/ show_channel_urls: true auto_update_conda: false

ragflow后端环境配置

# 下载代码 git clone https://github.com/infiniflow/ragflow

我使用的是0.17.2版本的代码

设置PyCharm环境依赖

点击pycharm 的设置。

• 找到python interpreter点击2的位置，然后点击3添加本地的python解释器。

python interpreter 中文叫python解释器，可以理解为python环境。

• 点击1选择conda环境
• 点击2选择自己安装的miniconda地址中的condabin\conda.bat
• 点击3加载

• 点击1使用已存在的环境（我之前创建的ragflow）
• 选择ragflow

可以看到已经内置了一些包。我们点击ok按钮。

依赖安装

一般我们从别的地方拷贝一个项目安装依赖。有以下几种方式。

• 有requirements.txt直接用项目里提供的requirements.txt 使用pip install -r requirements.txt安装
• 有setup.py在setup.py所在目录里，使用pip install -e .安装
• Poetry 项目有pyproject.toml文件，直接poetry install
• Pipenv 项目 有Pipfile文件，使用pipenv install安装

而ragflow都不是，ragflow使用uv管理包。在项目里有个uv.lock文件。

UV（UltraFast Python Package Installer）是一个超快速的 Python 包管理工具，用于替代pip和virtualenv，它的核心特点是安装速度快，依赖解析高效，并且支持uv.lock作为锁定文件。

然而我折腾了一会，安装不上。（事后总结还是用uv省事，基本上包都覆盖住了。）

使用conda

不想折腾太多环境，使用conda。

我找官方的开发，让他给我导了一份requirements.txt文件一共275行。然后还是各种折腾了几个小时。启动时候各种缺包。

需要注意的是：

• 官网写着python 3.10，不行，得3.11，别问我为啥，折腾出来的

我把最后的requirements.txt放入网盘，有需要的大家自己获取。一共433个。

https://pan.quark.cn/s/54ac26aa4bdb

配置文件

在根目录中有一个conf/service_conf.yaml文件这里是依赖的环境配置。 里面的服务我们都可以自己独立部署。我是之前在本地用docker部署了一套ragflow，所以我就不再单独处理了。

需要注意的事：

如果你docker启动的不是base，需要修改ragflow的端口。 如果你没有修改过docker部署的端口，可以直接使用，如果修改了，需要对应的修改。

后端服务启动

根据官方的文档，直接执行docker/entrypoint.sh既可以启动，我打开一看，是linux环境。

刚开始想把它转成win的脚步，后来试了下，还是算了，最后找到了以下两个命令。

$ PY rag/svr/task_executor.py $ PY api/ragflow_server.py

直接在ragflow的根目录里，执行。

# 根据自己的环境设置 set PYTHONPATH=E:\ai\code\ragflow # 启动异步任务的 python .\rag\svr\task_executor.py # 启动后端api服务的 python api/ragflow_server.py

不容易，终于折腾好了

直接命令行启动。

你也可以通过PyCharm启动，特别是断点调试。

又是一堆依赖安装，server也启动了。

最后看下环境的大小。

接近4个g了。

我打个包扔到盘里。大家根据自己的需要获取。 https://pan.quark.cn/s/54ac26aa4bdb

https://pan.baidu.com/s/1PF79x-gzWosN_ME5LtSRIw?pwd=q2tu

ragflow前端环境启动

前端服务启动

前端环境需要npm，或者pnpm，我之前一直有对应的环境，我就不折腾了。

首先进入web目录

# 进入ragflow的web目录 (ragflow) PS E:\ai\code\ragflow> cd .\web\

首先修改.umirc.ts中的proxy。

比如我把后端的端口改成了9580

proxy: [ { context: ['/api', '/v1' ], target: 'http://127.0.0.1:9580/' , changeOrigin: true , ws: true , logger: console, // pathRewrite: { '^/v1' : '/v1' }, }, ],

编译运行

# 安装前端依赖 (ragflow) PS E:\ai\code\ragflow\web> npm install # 启动项目 (ragflow) PS E:\ai\code\ragflow\web> npm run dev

常用修改

登录页面背景替换

• 替换背景：ragflow/web/src/assets/svg/login-background.svg
• 去掉免费注册和图标：agflow/web/src/pages/login/right-panel.tsx 中 26~41删除
• 替换为客户的名称：agflow/web/src/locales/zh.ts 中57行的 title

logo修改

• agflow/web/src/conf.json 中的RAGFlow 是图标边上的名称
• agflow/web/public/logo.svg 左上角的logo

注意事项

关于依赖

如果大家自己折腾，建议用uv，直接导入官方提供的，缺有，但是不多。

不想用uv，使用conda，建议让kimi写个脚本，把uv.lock里的包都洗出来，洗成requirements.txt，然后启动的时候，添加几个就行了。

关于python版本

python必须3.11，3.10有些包安装不上，3.12有些包没有。

非固定版本的包安装

# 通用安装法，加双引号 pip install "ruamel-yaml>=0.18.6,<=0.19.0" # PowerShell 特有安装法，需要转义符号 pip install ruamel-yaml`>=0.18.6,`<=0.19.0

win10 中powershell失效的问题解决

在powershell中，通过pip安装以后，通过conda list查看安装的包，总是找不到。

执行conda init powershell命令，会看到会将conda加入到powershell的环境里。

PS C:\Users\yxkong> conda init powershell no change E:\ai\miniconda3\Scripts\conda.exe no change E:\ai\miniconda3\Scripts\conda-env.exe no change E:\ai\miniconda3\Scripts\conda-script.py no change E:\ai\miniconda3\Scripts\conda-env-script.py no change E:\ai\miniconda3\condabin\conda.bat no change E:\ai\miniconda3\Library\bin\conda.bat no change E:\ai\miniconda3\condabin\_conda_activate.bat no change E:\ai\miniconda3\condabin\rename_tmp.bat no change E:\ai\miniconda3\condabin\conda_auto_activate.bat no change E:\ai\miniconda3\condabin\conda_hook.bat no change E:\ai\miniconda3\Scripts\activate.bat no change E:\ai\miniconda3\condabin\activate.bat no change E:\ai\miniconda3\condabin\deactivate.bat modified E:\ai\miniconda3\Scripts\activate modified E:\ai\miniconda3\Scripts\deactivate modified E:\ai\miniconda3\etc\profile.d\conda.sh modified E:\ai\miniconda3\etc\fish\conf.d\conda.fish no change E:\ai\miniconda3\shell\condabin\Conda.psm1 modified E:\ai\miniconda3\shell\condabin\conda-hook.ps1 no change E:\ai\miniconda3\Lib\site-packages\xontrib\conda.xsh modified E:\ai\miniconda3\etc\profile.d\conda.csh modified C:\Users\yxkong\Documents\PowerShell\profile.ps1 modified C:\Users\yxkong\Documents\WindowsPowerShell\profile.ps1

No module named ‘api’

我用PYTHONPATH把ragflow设为了根目录，但是执行的时候，还是找不到api的模块。

(ragflow) PS E:\ai\code\ragflow> set PYTHONPATH=E:\ai\code\ragflow (ragflow) PS E:\ai\code\ragflow> python .\rag\svr\task_executor.py Traceback (most recent call last): File "E:\ai\code\ragflow\rag\svr\task_executor.py", line 22, in <module> from api.utils.log_utils import initRootLogger, get_project_base_directory ModuleNotFoundError: No module named 'api'

不用环境的设置方法

# Windows set PYTHONPATH=E:\ai\code\ragflow # Linux/macOS export PYTHONPATH=/path/to/your/project/root # 需要注意的是，以上都是单个窗口的设置，可以全局设置 $ env:PYTHONPATH="E:\ai\code\ragflow"

Resource punkt_tab not found.

LookupError: Resource punkt_tab not found. Please use the NLTK Downloader to obtain the resource:

Resource wordnet not found 执行以下命令

python -c "import nltk; nltk.download('punkt_tab')" python -c "import nltk; nltk.download('wordnet')"

关于数据库

我没在代码里看到初始化数据库的地方。

因为我本地用docker启了一套环境，所有的数据库都已经有了。如果你全部自己搭建，就把mysql的数据库导出一份。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！