你是否曾被大語言模型（LLM）的“一本正經(jīng)地胡說八道”（幻覺）所困擾？你是否希望 LLM 能夠基于你自己的專業(yè)文檔給出可靠且有據(jù)可查的答案？那么，RAGFlow 就是你一直在尋找的答案！

RAGFlow 是一款開源的 RAG（Retrieval-Augmented Generation，檢索增強生成）引擎，它的核心使命是幫助你利用深度文檔理解技術(shù)，構(gòu)建出高質(zhì)量、高可靠性的智能知識庫。無論你是大型企業(yè)還是個人開發(fā)者，RAGFlow 都能為你提供一套精簡而強大的 RAG 工作流程，讓你的 LLM 能夠真正理解和利用各種復(fù)雜格式的數(shù)據(jù)，給出令人信服的回答并提供清晰的引用來源。

想象一下，你的知識庫擁有以下超能力：

• ?智能文檔處理大師：不再擔(dān)心“垃圾進垃圾出”！RAGFlow 能像一位經(jīng)驗豐富的學(xué)者一樣，深入解析各種文檔，包括 PDF、Word、PPT、Excel、圖片甚至掃描件，提取出隱藏在復(fù)雜結(jié)構(gòu)中的寶貴信息，確保你的輸入數(shù)據(jù)是高質(zhì)量的。
• ?高可靠知識檢索專家：告別“一本正經(jīng)地胡說八道”！RAGFlow 采用多路召回機制和融合重排序技術(shù)，像一位資深的圖書館員一樣，從海量知識中精準(zhǔn)找到與用戶問題最相關(guān)的部分，大幅減少 AI 的“幻覺”。更棒的是，它還能告訴你答案的來源，讓你明明白白。
• ?模型應(yīng)用變形金剛：靈活應(yīng)對各種場景需求！RAGFlow 支持多種主流 LLM 和向量模型，你可以根據(jù)自己的需求自由選擇和切換。它還提供了豐富的參數(shù)配置和自定義提示工程，讓你可以像一位調(diào)酒師一樣，為不同的場景調(diào)制出最完美的模型應(yīng)用方案。
• ?企業(yè)級協(xié)作好幫手：從個人用到團隊協(xié)作，無縫切換！RAGFlow 內(nèi)置了完善的團隊協(xié)作機制，支持多角色權(quán)限管理，讓你的團隊可以高效地共同構(gòu)建和維護知識庫。同時，它還提供了標(biāo)準(zhǔn)化的 API 接口，方便與你現(xiàn)有的企業(yè)系統(tǒng)集成。
• ?完整 RAG 工作流管家：一站式解決所有問題！RAGFlow 提供從文檔上傳、處理到檢索生成的完整自動化流程，你還可以隨時進行人工干預(yù)和調(diào)整，并實時監(jiān)控系統(tǒng)狀態(tài)，就像一位貼心的管家，幫你打理好 RAG 應(yīng)用的每一個環(huán)節(jié)。

RAGFlow 核心能力和主要功能

1.核心能力

1.1. 智能文檔處理系統(tǒng)

核心價值： 解決"垃圾進垃圾出"問題，實現(xiàn)"質(zhì)量輸入，質(zhì)量輸出"

?深度文檔解析：超越普通文本提取，能夠識別并解析文檔中的圖像、表格和復(fù)雜結(jié)構(gòu)

? 基于深度文檔理解^[1]，能夠從各類復(fù)雜格式的非結(jié)構(gòu)化數(shù)據(jù)中提取真知灼見。

? 使用 DeepDoc 解析 PDF 或其他文件的示例？參閱rag/app文件夾下的 Python 文件。

?多格式支持：支持豐富的文件類型，包括 Word 文檔、PPT、excel 表格、txt 文件、圖片、PDF、影印件、復(fù)印件、結(jié)構(gòu)化數(shù)據(jù)、網(wǎng)頁等，適應(yīng)企業(yè)多樣化數(shù)據(jù)

?模板化分塊策略：采用語義感知的分塊方法，保留文檔結(jié)構(gòu)和上下文關(guān)系

?文本切片可視化：多種文本模板可供選擇，文本切片過程可視化，支持手動調(diào)整

1.2. 高可靠知識檢索框架

核心價值： 大幅減少AI回答中的"幻覺"問題

?多路召回機制：結(jié)合多種檢索策略，提高知識覆蓋面

?融合重排序技術(shù)：優(yōu)化檢索結(jié)果的相關(guān)性排序

?可視化知識溯源：提供答案的關(guān)鍵引用快照和原始來源鏈接

?透明的檢索過程：用戶可查看系統(tǒng)如何篩選和利用知識

1.3. 靈活的模型應(yīng)用架構(gòu)

核心價值： 適應(yīng)不同場景需求，提供定制化能力

?模型靈活配置：支持多種大語言模型和向量模型的配置和切換

?參數(shù)化控制：提供細(xì)粒度的模型參數(shù)調(diào)整能力

?自定義提示工程：支持針對特定應(yīng)用場景的提示詞優(yōu)化

?智能體擴展：通過可配置的智能體實現(xiàn)復(fù)雜任務(wù)處理

1.4. 企業(yè)級協(xié)作與集成平臺

核心價值： 從個人應(yīng)用到企業(yè)級系統(tǒng)的無縫擴展

?團隊協(xié)作機制：支持多角色協(xié)作，包括管理員、編輯者和查看者權(quán)限體系

?系統(tǒng)健康管理：提供版本升級和系統(tǒng)診斷功能

?API接口生態(tài)：標(biāo)準(zhǔn)化API設(shè)計便于與企業(yè)現(xiàn)有系統(tǒng)集成

?安全與合規(guī)：注重數(shù)據(jù)安全和訪問控制

1.5. 完整RAG工作流

核心價值： 提供端到端的RAG應(yīng)用構(gòu)建體驗

?自動化處理管道：從文檔上傳、處理到檢索生成的完整流程

?交互式調(diào)優(yōu)：支持人工干預(yù)和調(diào)整各環(huán)節(jié)參數(shù)

?可視化監(jiān)控：直觀展示處理狀態(tài)和系統(tǒng)性能

?場景適配能力：適用于知識密集型、需要高可信度的專業(yè)領(lǐng)域應(yīng)用

2. 主要功能

2.1. 數(shù)據(jù)集管理

數(shù)據(jù)集是 RAG（檢索增強生成）應(yīng)用的基礎(chǔ)，用于存儲和管理知識庫內(nèi)容。

? 文件上傳：支持多種格式文件上傳（PDF、docx、txt等）

? 文件處理：自動進行文本提取、分塊和向量化

? 文件組織：可以創(chuàng)建文件夾進行分類管理

? 批量操作：支持批量上傳和管理文件

2.2. 搜索/聊天功能

聊天是 RAG 應(yīng)用的核心交互方式，讓用戶可以基于知識庫進行問答。

? 知識庫聊天：基于上傳的數(shù)據(jù)集進行問答交互

? 多輪對話：支持上下文理解和多輪對話

? 實時應(yīng)答：系統(tǒng)會實時從知識庫中檢索相關(guān)信息進行回答

AI 搜索和聊天的主要區(qū)別是什么？

?AI 搜索：這是使用預(yù)定義檢索策略（加權(quán)關(guān)鍵詞相似度和加權(quán)向量相似度的混合搜索）和系統(tǒng)默認(rèn)聊天模型的單輪 AI 對話。它不涉及知識圖譜、自動關(guān)鍵詞或自動問題等高級 RAG 策略。檢索到的文本塊將列在聊天模型響應(yīng)的下方。

?AI 聊天：這是多輪 AI 對話，您可以定義檢索策略（在混合搜索中可以使用加權(quán)重排序分?jǐn)?shù)替代加權(quán)向量相似度）并選擇聊天模型。在 AI 聊天中，您可以為特定案例配置高級 RAG 策略，如知識圖譜、自動關(guān)鍵詞和自動問題。檢索到的文本塊不會與答案一起顯示。

在調(diào)試聊天助手時，您可以使用 AI 搜索作為參考來驗證模型設(shè)置和檢索策略。

2.3. 模型管理

模型是 RAG 系統(tǒng)的核心組件，負(fù)責(zé)理解用戶問題和生成回答。RagFlow 支持多種模型管理功能：

? 多模型支持：支持主流大語言模型（如GPT系列、Claude系列等）

? 模型配置：可以配置模型參數(shù)如溫度、最大生成長度等

? 自定義提示詞：可以設(shè)定系統(tǒng)提示以優(yōu)化模型行為

2.4. 智能體管理

智能體是能夠執(zhí)行特定任務(wù)的自動化組件，可增強RAG系統(tǒng)的功能。

? 任務(wù)自動化：智能體可以執(zhí)行特定任務(wù)，如信息檢索、數(shù)據(jù)處理等

? 工具集成：可以集成各種工具擴展智能體能力

? 自定義行為：可以通過提示詞和配置自定義智能體行為

2.5. 系統(tǒng)管理

團隊成員管理

RagFlow 提供了完善的團隊協(xié)作功能：

? 成員邀請：通過郵件邀請新成員加入

? 角色管理：支持管理員、編輯者、查看者三種角色

? 權(quán)限控制：基于角色的細(xì)粒度權(quán)限管理

系統(tǒng)升級與健康檢查

? 版本升級：提供自動升級和手動升級兩種方式

? 健康檢查：可以運行系統(tǒng)健康檢查確保所有組件正常運行

? 問題排查：提供常見問題的排查和解決指南

快速上手：RAGFlow 部署初體驗

想要體驗 RAGFlow 的強大功能嗎？最便捷的方式就是使用 Docker 鏡像啟動服務(wù)。

準(zhǔn)備工作：

在開始之前，請確保你的系統(tǒng)滿足以下條件：

?CPU：至少 4 核

?內(nèi)存：至少 16 GB

?磁盤：至少 50 GB

?Docker：版本 >= 24.0.0

?Docker Compose：版本 >= v2.26.1

啟動你的 RAGFlow 服務(wù)：

1.調(diào)整內(nèi)核參數(shù)：確保??vm.max_map_count?? 不小于 262144。你可以通過命令??sysctl vm.max_map_count?? 查看當(dāng)前值，如果小于該值，可以使用??sudo sysctl -w vm.max_map_count=262144?? 臨時修改，并建議修改??/etc/sysctl.conf?? 文件永久生效。

2. 克隆代碼倉庫：

git clone https://github.com/infiniflow/ragflow.git
cd ragflow

3. 進入 Docker 目錄：

cd docker

4. 啟動服務(wù)：
如果你遇到 Docker 鏡像下載緩慢的問題，可以嘗試修改??docker/.env??文件中的??RAGFLOW_IMAGE??變量，選擇華為云或阿里云的鏡像地址。

? 使用 CPU：

docker compose -f docker-compose.yml up -d

? 使用 GPU 加速（如果你的機器支持）：

docker compose -f docker-compose-gpu.yml up -d

5. 檢查服務(wù)狀態(tài)：等待一段時間后，使用以下命令查看服務(wù)是否成功啟動：

docker logs -f ragflow-server

• 看到類似如下的歡迎信息，就說明 RAGFlow 服務(wù)已經(jīng)成功運行起來了！

____    ___     ______ ______ __
   / __ \  /   |   / ____// ____// /____  _     __
  / /_/ / / /| |  / / __ / /_   / // __ \| | /| / /
 / _, _/ / ___ | / /_/ // __/  / // /_/ /| |/ |/ /
/_/ |_|/_/  |_|\____//_/    /_/ \____/ |__/|__/

 * Running on all addresses (0.0.0.0)

6.登錄 RAGFlow：在瀏覽器中輸入你的服務(wù)器 IP 地址（默認(rèn)端口是 80，無需輸入）。

Tip

首次登錄后，你可能需要系統(tǒng)配置中配置你想要使用的大語言模型（LLM factory）以及對應(yīng)的 API Key。

在使用 RAGFlow 的過程中，遇到問題是很正常的。以下是一些常用的調(diào)試方法和技巧：

?查看 Docker 日志：使用??docker logs -f <container_name>??? 命令查看相關(guān)容器的日志輸出，例如??docker logs -f ragflow-server?? 可以查看后端服務(wù)的日志，幫助你了解系統(tǒng)運行狀態(tài)和錯誤信息。

?利用 Kibana 查詢 Elasticsearch 數(shù)據(jù)：如果你選擇 Elasticsearch 作為文檔引擎，可以通過 Kibana (默認(rèn)地址??http://<your_server_ip>:6601??) 查看和查詢向量數(shù)據(jù)，了解文檔是否被正確處理和索引。登錄 Kibana 的賬號是??rag_flow??，密碼是??infini_rag_flow??。

總結(jié)：

通過以上簡單的步驟，你已經(jīng)成功啟動了 RAGFlow 服務(wù)，邁出了構(gòu)建智能知識庫的第一步。在下一篇文章中，我們將深入探討 RAGFlow 的系統(tǒng)架構(gòu)和調(diào)試技巧，幫助你更好地理解和使用這款強大的 RAG 引擎。