前言

你是否曾被大语言模型（LLM）的“一本正经地胡说八道”（幻觉）所困扰？你是否希望 LLM 能够基于你自己的专业文档给出可靠且有据可查的答案？那么，RAGFlow 就是你一直在寻找的答案！

RAGFlow 是一款开源的 RAG（Retrieval-Augmented Generation，检索增强生成）引擎，它的核心使命是帮助你利用深度文档理解技术，构建出高质量、高可靠性的智能知识库。无论你是大型企业还是个人开发者，RAGFlow 都能为你提供一套精简而强大的 RAG 工作流程，让你的 LLM 能够真正理解和利用各种复杂格式的数据，给出令人信服的回答并提供清晰的引用来源。

想象一下，你的知识库拥有以下超能力：

• 智能文档处理大师： 不再担心“垃圾进垃圾出”！RAGFlow 能像一位经验丰富的学者一样，深入解析各种文档，包括 PDF、Word、PPT、Excel、图片甚至扫描件，提取出隐藏在复杂结构中的宝贵信息，确保你的输入数据是高质量的。
• 高可靠知识检索专家： 告别“一本正经地胡说八道”！RAGFlow 采用多路召回机制和融合重排序技术，像一位资深的图书馆员一样，从海量知识中精准找到与用户问题最相关的部分，大幅减少 AI 的“幻觉”。更棒的是，它还能告诉你答案的来源，让你明明白白。
• 模型应用变形金刚： 灵活应对各种场景需求！RAGFlow 支持多种主流 LLM 和向量模型，你可以根据自己的需求自由选择和切换。它还提供了丰富的参数配置和自定义提示工程，让你可以像一位调酒师一样，为不同的场景调制出最完美的模型应用方案。
• 企业级协作好帮手： 从个人用到团队协作，无缝切换！RAGFlow 内置了完善的团队协作机制，支持多角色权限管理，让你的团队可以高效地共同构建和维护知识库。同时，它还提供了标准化的 API 接口，方便与你现有的企业系统集成。
• 完整 RAG 工作流管家： 一站式解决所有问题！RAGFlow 提供从文档上传、处理到检索生成的完整自动化流程，你还可以随时进行人工干预和调整，并实时监控系统状态，就像一位贴心的管家，帮你打理好 RAG 应用的每一个环节。

RAGFlow 核心能力和主要功能

1.核心能力

1.1. 智能文档处理系统

核心价值： 解决"垃圾进垃圾出"问题，实现"质量输入，质量输出"

• 深度文档解析：超越普通文本提取，能够识别并解析文档中的图像、表格和复杂结构

1. 基于深度文档理解[1]，能够从各类复杂格式的非结构化数据中提取真知灼见。
2. 使用 DeepDoc 解析 PDF 或其他文件的示例？参阅 rag/app 文件夹下的 Python 文件。

• 多格式支持：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，适应企业多样化数据

• 模板化分块策略：采用语义感知的分块方法，保留文档结构和上下文关系

• 文本切片可视化：多种文本模板可供选择，文本切片过程可视化，支持手动调整

1.2. 高可靠知识检索框架

核心价值： 大幅减少AI回答中的"幻觉"问题

• 多路召回机制：结合多种检索策略，提高知识覆盖面
• 融合重排序技术：优化检索结果的相关性排序
• 可视化知识溯源：提供答案的关键引用快照和原始来源链接
• 透明的检索过程：用户可查看系统如何筛选和利用知识

1.3. 灵活的模型应用架构

核心价值： 适应不同场景需求，提供定制化能力

• 模型灵活配置：支持多种大语言模型和向量模型的配置和切换
• 参数化控制：提供细粒度的模型参数调整能力
• 自定义提示工程：支持针对特定应用场景的提示词优化
• 智能体扩展：通过可配置的智能体实现复杂任务处理

1.4. 企业级协作与集成平台

核心价值： 从个人应用到企业级系统的无缝扩展

• 团队协作机制：支持多角色协作，包括管理员、编辑者和查看者权限体系
• 系统健康管理：提供版本升级和系统诊断功能
• API接口生态：标准化API设计便于与企业现有系统集成
• 安全与合规：注重数据安全和访问控制

1.5. 完整RAG工作流

核心价值： 提供端到端的RAG应用构建体验

• 自动化处理管道：从文档上传、处理到检索生成的完整流程
• 交互式调优：支持人工干预和调整各环节参数
• 可视化监控：直观展示处理状态和系统性能
• 场景适配能力：适用于知识密集型、需要高可信度的专业领域应用

2. 主要功能

2.1. 数据集管理

数据集是 RAG（检索增强生成）应用的基础，用于存储和管理知识库内容。

• 文件上传：支持多种格式文件上传（PDF、docx、txt等）
• 文件处理：自动进行文本提取、分块和向量化
• 文件组织：可以创建文件夹进行分类管理
• 批量操作：支持批量上传和管理文件

2.2. 搜索/聊天功能

聊天是 RAG 应用的核心交互方式，让用户可以基于知识库进行问答。

• 知识库聊天：基于上传的数据集进行问答交互
• 多轮对话：支持上下文理解和多轮对话
• 实时应答：系统会实时从知识库中检索相关信息进行回答

AI 搜索和聊天的主要区别是什么？

• AI 搜索：这是使用预定义检索策略（加权关键词相似度和加权向量相似度的混合搜索）和系统默认聊天模型的单轮 AI 对话。它不涉及知识图谱、自动关键词或自动问题等高级 RAG 策略。检索到的文本块将列在聊天模型响应的下方。
• AI 聊天：这是多轮 AI 对话，您可以定义检索策略（在混合搜索中可以使用加权重排序分数替代加权向量相似度）并选择聊天模型。在 AI 聊天中，您可以为特定案例配置高级 RAG 策略，如知识图谱、自动关键词和自动问题。检索到的文本块不会与答案一起显示。

在调试聊天助手时，您可以使用 AI 搜索作为参考来验证模型设置和检索策略。

2.3. 模型管理

模型是 RAG 系统的核心组件，负责理解用户问题和生成回答。RagFlow 支持多种模型管理功能：

• 多模型支持：支持主流大语言模型（如GPT系列、Claude系列等）
• 模型配置：可以配置模型参数如温度、最大生成长度等
• 自定义提示词：可以设定系统提示以优化模型行为

2.4. 智能体管理

智能体是能够执行特定任务的自动化组件，可增强RAG系统的功能。

• 任务自动化：智能体可以执行特定任务，如信息检索、数据处理等
• 工具集成：可以集成各种工具扩展智能体能力
• 自定义行为：可以通过提示词和配置自定义智能体行为

2.5. 系统管理

团队成员管理

RagFlow 提供了完善的团队协作功能：

• 成员邀请：通过邮件邀请新成员加入
• 角色管理：支持管理员、编辑者、查看者三种角色
• 权限控制：基于角色的细粒度权限管理

系统升级与健康检查

• 版本升级：提供自动升级和手动升级两种方式
• 健康检查：可以运行系统健康检查确保所有组件正常运行
• 问题排查：提供常见问题的排查和解决指南

快速上手：RAGFlow 部署初体验

想要体验 RAGFlow 的强大功能吗？最便捷的方式就是使用 Docker 镜像启动服务。

准备工作：

在开始之前，请确保你的系统满足以下条件：

• CPU： 至少 4 核
• 内存： 至少 16 GB
• 磁盘： 至少 50 GB
• Docker： 版本 >= 24.0.0
• Docker Compose： 版本 >= v2.26.1

启动你的 RAGFlow 服务：

1. 调整内核参数： 确保 vm.max_map_count 不小于 262144。你可以通过命令 sysctl vm.max_map_count 查看当前值，如果小于该值，可以使用 sudo sysctl -w vm.max_map_count=262144 临时修改，并建议修改 /etc/sysctl.conf 文件永久生效。

2. 克隆代码仓库：

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

3. 进入 Docker 目录：

   cd docker
   

4. 启动服务：

   如果你遇到 Docker 镜像下载缓慢的问题，可以尝试修改docker/.env文件中的RAGFLOW_IMAGE变量，选择华为云或阿里云的镜像地址。

• 使用 CPU：

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

• 使用 GPU 加速（如果你的机器支持）：

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

5. 检查服务状态：等待一段时间后，使用以下命令查看服务是否成功启动：

   docker logs -f ragflow-server
   

   看到类似如下的欢迎信息，就说明 RAGFlow 服务已经成功运行起来了！

       ____    ___     ______ ______ __
      / __ \  /   |   / ____// ____// /____  _     __
     / /_/ / / /| |  / / __ / /_   / // __ \| | /| / /
    / _, _/ / ___ | / /_/ // __/  / // /_/ /| |/ |/ /
   /_/ |_|/_/  |_|\____//_/    /_/ \____/ |__/|__/
   
    * Running on all addresses (0.0.0.0)
   

6. 登录 RAGFlow： 在浏览器中输入你的服务器 IP 地址（默认端口是 80，无需输入）。

Tip

首次登录后，你可能需要系统配置中配置你想要使用的大语言模型（LLM factory）以及对应的 API Key。

在使用 RAGFlow 的过程中，遇到问题是很正常的。以下是一些常用的调试方法和技巧：

• 查看 Docker 日志： 使用 docker logs -f <container_name> 命令查看相关容器的日志输出，例如 docker logs -f ragflow-server 可以查看后端服务的日志，帮助你了解系统运行状态和错误信息。
• 利用 Kibana 查询 Elasticsearch 数据： 如果你选择 Elasticsearch 作为文档引擎，可以通过 Kibana (默认地址 http://<your_server_ip>:6601) 查看和查询向量数据，了解文档是否被正确处理和索引。登录 Kibana 的账号是 rag_flow，密码是 infini_rag_flow。

最后的最后

感谢你们的阅读和喜欢，作为一位在一线互联网行业奋斗多年的老兵，我深知在这个瞬息万变的技术领域中，持续学习和进步的重要性。

为了帮助更多热爱技术、渴望成长的朋友，我特别整理了一份涵盖大模型领域的宝贵资料集。

这些资料不仅是我多年积累的心血结晶，也是我在行业一线实战经验的总结。

这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习，相信它们一定能为你提供实质性的帮助。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

大模型知识脑图

为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

经典书籍阅读

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】