你是否曾被大語言模型（LLM）的“一本正經地胡說八道”（幻覺）所困擾？你是否希望 LLM 能夠基于你自己的專業文檔給出可靠且有據可查的答案？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，構建出高質量、高可靠性的智能知識庫。無論你是大型企業還是個人開發者，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雜格式的數據，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：不再擔心“垃圾進垃圾出”！RAGFlow 能像一位經驗豐富的學者一樣，深入解析各種文檔，包括 PDF、Word、PPT、Excel、圖片甚至掃描件，提取出隱藏在復雜結構中的寶貴信息，確保你的輸入數據是高質量的。
• ?高可靠知識檢索專家：告別“一本正經地胡說八道”！RAGFlow 采用多路召回機制和融合重排序技術，像一位資深的圖書館員一樣，從海量知識中精準找到與用戶問題最相關的部分，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。
• ?模型應用變形金剛：靈活應對各種場景需求！RAGFlow 支持多種主流 LLM 和向量模型，你可以根據自己的需求自由選擇和切換。它還提供了豐富的參數配置和自定義提示工程，讓你可以像一位調酒師一樣，為不同的場景調制出最完美的模型應用方案。
• ?企業級協作好幫手：從個人用到團隊協作，無縫切換！RAGFlow 內置了完善的團隊協作機制，支持多角色權限管理，讓你的團隊可以高效地共同構建和維護知識庫。同時，它還提供了標準化的 API 接口，方便與你現有的企業系統集成。
• ?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和調整，并實時監控系統狀態，就像一位貼心的管家，幫你打理好 RAG 應用的每一個環節。

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

核心價值： 解決"垃圾進垃圾出"問題，實現"質量輸入，質量輸出"

?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、表格和復雜結構

? 基于深度文檔理解^[1]，能夠從各類復雜格式的非結構化數據中提取真知灼見。

? 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、復印件、結構化數據、網頁等，適應企業多樣化數據

?模板化分塊策略：采用語義感知的分塊方法，保留文檔結構和上下文關系

?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：結合多種檢索策略，提高知識覆蓋面

?融合重排序技術：優化檢索結果的相關性排序

?可視化知識溯源：提供答案的關鍵引用快照和原始來源鏈接

?透明的檢索過程：用戶可查看系統如何篩選和利用知識

1.3. 靈活的模型應用架構

核心價值： 適應不同場景需求，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

?參數化控制：提供細粒度的模型參數調整能力

?自定義提示工程：支持針對特定應用場景的提示詞優化

?智能體擴展：通過可配置的智能體實現復雜任務處理

1.4. 企業級協作與集成平臺

核心價值： 從個人應用到企業級系統的無縫擴展

?團隊協作機制：支持多角色協作，包括管理員、編輯者和查看者權限體系

?系統健康管理：提供版本升級和系統診斷功能

?API接口生態：標準化API設計便于與企業現有系統集成

?安全與合規：注重數據安全和訪問控制

1.5. 完整RAG工作流

核心價值： 提供端到端的RAG應用構建體驗

?自動化處理管道：從文檔上傳、處理到檢索生成的完整流程

?交互式調優：支持人工干預和調整各環節參數

?可視化監控：直觀展示處理狀態和系統性能

?場景適配能力：適用于知識密集型、需要高可信度的專業領域應用

2. 主要功能

2.1. 數據集管理

數據集是 RAG（檢索增強生成）應用的基礎，用于存儲和管理知識庫內容。

? 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：基于上傳的數據集進行問答交互

? 多輪對話：支持上下文理解和多輪對話

? 實時應答：系統會實時從知識庫中檢索相關信息進行回答

AI 搜索和聊天的主要區別是什么？

?AI 搜索：這是使用預定義檢索策略（加權關鍵詞相似度和加權向量相似度的混合搜索）和系統默認聊天模型的單輪 AI 對話。它不涉及知識圖譜、自動關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重排序分數替代加權向量相似度）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。

在調試聊天助手時，您可以使用 AI 搜索作為參考來驗證模型設置和檢索策略。

2.3. 模型管理

模型是 RAG 系統的核心組件，負責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：可以配置模型參數如溫度、最大生成長度等

? 自定義提示詞：可以設定系統提示以優化模型行為

2.4. 智能體管理

智能體是能夠執行特定任務的自動化組件，可增強RAG系統的功能。

? 任務自動化：智能體可以執行特定任務，如信息檢索、數據處理等

? 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. 系統管理

團隊成員管理

RagFlow 提供了完善的團隊協作功能：

? 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

? 權限控制：基于角色的細粒度權限管理

系統升級與健康檢查

? 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。

準備工作：

在開始之前，請確保你的系統滿足以下條件：

?CPU：至少 4 核

?內存：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：

1.調整內核參數：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：
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. 檢查服務狀態：等待一段時間后，使用以下命令查看服務是否成功啟動：

docker logs -f ragflow-server

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

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

 * Running on all addresses (0.0.0.0)

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

Tip

首次登錄后，你可能需要系統配置中配置你想要使用的大語言模型（LLM factory）以及對應的 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試方法和技巧：

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

?利用 Kibana 查詢 Elasticsearch 數據：如果你選擇 Elasticsearch 作為文檔引擎，可以通過 Kibana (默認地址??http://<your_server_ip>:6601??) 查看和查詢向量數據，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：

通過以上簡單的步驟，你已經成功啟動了 RAGFlow 服務，邁出了構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 的系統架構和調試技巧，幫助你更好地理解和使用這款強大的 RAG 引擎。