3分钟读懂RAGFlow：从 0 到 1教你搭建RAG知识库

最新推荐文章于 2025-04-23 19:32:56 发布
最新推荐文章于 2025-04-23 19:32:56 发布
阅读量607 收藏 3
点赞数 11
分类专栏： AI大模型应用开发 文章标签： 开发语言 人工智能 语言模型 深度学习 自然语言处理 RAG 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_39907681/article/details/147366519
版权

更多AI大模型应用开发学习内容，尽在聚客AI学院。

1. RAGFlow概述

RAGFlow是基于检索增强生成（Retrieval-Augmented Generation）技术的开源知识库解决方案，能够快速将非结构化文档（PDF、Word、Markdown等）转化为可检索的知识库，并通过大模型实现精准问答。其核心优势包括：

  • 自动文本解析：支持复杂格式文档（表格、公式、代码块）的智能解析；

  • 精准检索：结合语义匹配和关键词检索，提升上下文相关性；

  • 可视化流程：从文档预处理到问答测试全流程图形化操作。

image.png

2. 环境准备与系统搭建

2.1 环境需求

image.png

2.2 安装

通过Docker一键部署：

# 拉取最新镜像
docker pull infiniflow/ragflow:latest
# 启动容器（GPU版本需附加--gpus all参数）
docker run -d --name ragflow \
  -p 8000:8000 \
  -v /data/ragflow:/var/ragflow \
  infiniflow/ragflow

访问 http://localhost:8000 进入登录界面

image.png

3. 应用实践

3.1 注册账号

  1. 点击首页"Sign Up"进入注册页面

  2. 输入邮箱、密码（需包含大小写字母+数字）

  3. 验证邮箱后完成注册

image.png

3.2 添加模型

进入模型管理 > 新增模型：

image.png

  • 本地模型：指定模型路径（如/opt/llama2-13b）

  • API模型：填写OpenAI/Gemini等API密钥

  • 参数设置：调整temperature、max_tokens等生成参数

  • image.png

  • 3.3 创建知识库

  • 点击知识库 > 新建知识库

  • 上传文档（支持批量上传）

  • 配置解析规则：

    • 分块大小：建议512-1024 tokens

    • 元数据提取：自动识别作者、日期等字段

  • 启动文档解析（等待进度条完成）

4. 验证效果

检索分析

查看检索日志：

  • 命中的文档片段

  • 相关性评分

  • 大模型改写后的查询语句

image.png

    • 原文档：

    image.png

    • 本文介绍了 RAGFlow 的基础使用方法，从演示效果来看尚可。然而，在实际应用场景中，各类文件格式与结构各不相同，文件解析成为一大难题。一旦解析不准确，即便使用性能强劲的 Deepseek-R1 大模型（经亲测），也会出现分析错误的情况。因此，在 RAG 过程中，文件解析、Embedding 以及 LLM 是提升准确率的三大关键攻克点。

    大模型RAG知识库使用案例：ragflow、maxkb
    weixin_42357472的博客
    04-18 3554
    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。注意：Docker >= 24.0.0 & Docker Compose >= v2.26.1。5、ip+端口（我这里8082）进入前端页面，需要注册账号才能进入，随便注册即可。1、如果启动时候端口冲突，可以自己进入yml进行修改端口。3、运行docker compose。这里也可以提前默认设置好相关模型。7、聊天（选择知识库与模型）6、进入后可以设置添加模型。
    深度学习-156-RAG技术之在ubuntu中的安装部署RAGFlow和简单应用
    qq_20466211的博客
    04-11 486
    在ubuntu中通过docker安装RAGFlow，并使用一个文档测试效果。在RAG过程中，文件解析、Embedding 以及 LLM 是提升准确率的三大关键点。
    RAGFlow部署与使用（开源本地知识库管理系统，包括kibana配置）
    weixin_59534602的博客
    03-17 3250
    给大家介绍RAGFlow的部署与使用。RAGFlow是一款基于深度文档理解构建的开源RAG的知识库管理平台。
    快速搭建专业AI知识库的开源工具Ragflow，零基础入门到精通，看这篇就够了！赶紧收藏！
    m0_71745484的博客
    04-02 2027
    在大模型应用的蓬勃发展中，检索增强生成（Retrieval-Augmented Generation，RAG）技术占据了举足轻重的地位。它就像是大模型的智慧助手，通过从外部知识库中检索相关信息，并将其融入到大模型的回答生成过程中，有效提升了大模型回答的准确性、可靠性和时效性，在问答系统、智能客服、文档摘要等多个领域都发挥着关键作用。上图是一个常见的AI应用的数据流向图，文档分块之后向量化存储到向量数据库，然后输入文本内容，形成prompt，从向量数据库检索相关的知识背景，发送给LLM之后，返回结果。
    手把手带你搭建RAGflow，专业AI知识库的开源工具，RAGflow零基础入门到精通，看这一篇就够了！
    2401_85375298的博客
    03-05 8034
    在大模型应用的蓬勃发展中，检索增强生成（Retrieval-Augmented Generation，RAG）技术占据了举足轻重的地位。它就像是大模型的智慧助手，通过从外部知识库中检索相关信息，并将其融入到大模型的回答生成过程中，有效提升了大模型回答的准确性、可靠性和时效性，在问答系统、智能客服、文档摘要等多个领域都发挥着关键作用。上图是一个常见的AI应用的数据流向图，文档分块之后向量化存储到向量数据库，然后输入文本内容，形成prompt，从向量数据库检索相关的知识背景，发送给LLM之后，返回结果。
    RAG+Agent人工智能平台：RAGflow实现GraphRA知识库问答，打造极致多模态问答与AI编排流体验
    python1234_的博客
    09-21 9719
    环节要求CPU >= 4 核如果你并没有在本机安装 Docker（Windows、Mac，或者 Linux）, 可以参考文档 Install Docker Engine 自行安装。是Linux内核中的一个重要参数，它定义了一个进程可以拥有的最大内存映射区域数。内存映射区域通常指的是内存映射文件、匿名内存映射等。性能优化：通过增加vm.max_map_count的值，可以允许应用程序创建更多的内存映射区域，从而提高性能和效率。特别是对于需要频繁访问大量文件或数据的应用程序，这种优化效果尤为明显。
    端到端 RAG 解决方案 RAGFlow 正式开源
    datageek的博客
    04-01 8714
    继 AI 原生数据库 Infinity 于去年底正式开源之后，我们的端到端 RAG 解决方案 RAGFlow 也于今日正式开源。项目地址： https://github.com/infiniflow/ragflow
    RAGFlow 开源项目安装与使用文档
    gitblog_00472的博客
    08-08 5330
    RAGFlow 开源项目安装与使用文档 ragflowRAGFlow是一个基于深度文档理解的开源RAG（检索增强生成）引擎。项目地址:https://gitcode.com/gh_mirrors/ra/ragflow 一、项目介绍 RAGFlow是一款基于深度文档理解构建的开源RAG（Retrieval-Augmented Generation）引擎。它旨在为企业和个人提供一个简化的工作流程来处...
    什么是 RAGflow？ 应用场景是什么？
    段传涛 的专栏
    12-04 7303
    和工作流优化的新技术架构。旨在提升生成式 AI 系统的效率和性能。它主要适用于需要动态生成内容且依赖外部知识库的场景，例如智能客服、文档生成、数据分析等。：检索和生成环节相辅相成，确保最终结果的准确性和可靠性。相结合的技术架构，之前种种多次提到，此处不在赘述。：能够集成多个数据源和生成模块，适应不同场景的需求。：通过动态优化流程，减少了不必要的计算和查询次数。RAG（检索增强生成）是将。
    构建企业私有RAG系统全流程：从 PDF 到智能问答的落地实践
    努力分享一些人工智能相关的知识干货！
    04-01 877
    - ✅ 企业文档 → 可搜索向量的标准处理链路 - ✅ 私有知识库的快速搭建方式（Chroma / FAISS） - ✅ RAG 问答系统从输入 → 召回 → 生成 → 输出的完整闭环 - ✅ 多轮问答 / 结构化返回 / 部署上线建议 📌 实战派不是看个 demo 就算结束，而是能“封起来，用得起，上得线”。
    快速搭建专业AI知识库的开源工具:Ragflow
    m0_59163425的博客
    02-04 2154
    在大模型应用的蓬勃发展中，检索增强生成（Retrieval-Augmented Generation，RAG）技术占据了举足轻重的地位。它就像是大模型的智慧助手，通过从外部知识库中检索相关信息，并将其融入到大模型的回答生成过程中，有效提升了大模型回答的准确性、可靠性和时效性，在问答系统、智能客服、文档摘要等多个领域都发挥着关键作用。上图是一个常见的AI应用的数据流向图，文档分块之后向量化存储到向量数据库，然后输入文本内容，形成prompt，从向量数据库检索相关的知识背景，发送给LLM之后，返回结果。
    2025年，20个最值得关注的RAG框架，部分开源
    m0_59235699的博客
    01-30 3742
    分享20个值得关注的RAG框架。检索增强生成（RAG）框架通过整合检索机制与生成模型，有效推动了大型语言模型（LLM）的发展。现在，各界对人工智能解决方案的需求日益旺盛，在 GitHub 上涌现出了诸多开源 RAG 框架，各具特色与功能。知识检索：作为核心功能，它可从外部知识库获取相关信息，为大型语言模型提供必要的上下文支持。生成模型增强：借助检索所得信息对大型语言模型的输入进行优化，促使模型生成的回复更精准、更具时效性且契合上下文。
    RAGFlow安装教程 | 带你一步步搭建RAGFlow【干货分享】
    star_nwe的博客
    11-12 1万+
    AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！
    2024年十大开源大模型RAG框架！
    2401_85373898的博客
    12-05 1924
    检索增强生成（RAG）已成为增强大型语言模型能力的一项强大技术。RAG框架结合了基于检索系统的优点与生成模型的优势，能够提供更准确、更具上下文感知能力以及更及时的响应。随着对复杂AI解决方案的需求增长，许多开源的RAG框架在GitHub上涌现，每个框架都提供了独特的功能和能力。检索增强生成（RAG）是一种人工智能框架，通过整合外部知识源来增强大型语言模型（LLM）的能力。RAG通过从知识库中检索相关信息并利用这些信息来增强LLM的输入，从而使得模型能够生成更准确、更及时且更符合上下文的相关响应。
    RAG+AI工作流+Agent：LLM框架该如何选择，全面对比MaxKB、Dify、FastGPT、RagFlow、Anything-LLM,以及更多推荐
    热门推荐
    丨汀、的博客
    07-30 3万+
    RAG+AI工作流+Agent：LLM框架该如何选择，全面对比MaxKB、Dify、FastGPT、RagFlow、Anything-LLM,以及更多推荐
    RAGFlow：构建高效检索增强生成流程的技术解析
    萧鼎的博客
    04-22 1263
    检索增强生成（RAG）是一种将信息检索与文本生成相结合的技术范式。与传统生成模型不同，RAG在生成答案前会先从知识库中检索相关文档片段，然后将这些检索结果与原始问题一起输入生成模型，从而产生基于事实的准确回答。事实准确性：基于检索到的真实信息生成内容，减少幻觉现象知识更新便捷：只需更新检索库而无需重新训练模型可解释性：可以追溯生成内容的来源依据。
    在 infiniflow/ragflow:nightly Docker 镜像的基础上搭建 RAGFlow 服务
    Leon_Jinhai_Sun的博客
    03-28 693
    要在确保你的环境满足以下要求：• 安装了 Docker 和 Docker Compose（如果需要）。• 有足够的系统资源（CPU、内存、磁盘空间）。• 确保网络畅通，能够访问外部依赖（如 Hugging Face、Elasticsearch 等）。如果你已经有了镜像，可以跳过这一步。RAGFlow 通常需要一个配置文件来定义服务的运行参数。你可以从官方文档或示例中获取默认的配置文件，或者根据需求自定义。
    RAGFlow：一键搭建你的专属知识库
    m0_65555479的博客
    04-06 868
    在生成式 AI 飞速发展的当下，如何让 AI 更高效、精准地利用知识成为了关键课题，RAGFlow 便在这样的背景下应运而生。RAGFlow 是一种结合了 RAG（Retrieval-Augmented Generation，检索增强生成）和工作流优化的创新技术架构 ，旨在大幅提升生成式 AI 系统的效率和性能。简单来说，它就像是给生成式 AI 配备了一个智能助手，让 AI 在生成内容时，能更聪明、更迅速地调用外部知识库中的信息。RAGFlow 的核心在于将信息检索与文本生成巧妙融合。
    Dify及知识库功能、RAGflow
    最新发布
    rcx_hahaha的博客
    04-23 1398
    Dify 是一个用于构建 AI 应用程序的开源平台（大语言模型(LLM) 应用开发平台），支持多种大型语言模型，过提供强大的数据集管理功能、可视化的Prompt编排以及应用运营工具，大大降低了AI应用开发的复杂度。LLM是一种基于深度学习技术的自然语言处理模型，也被称作大语言模型。它可以学习自然语言的语法和语义，从而生成可读的文本。这种模型只用于处理语言文字或符号体系，可以根据提示自动生成符合规律的内容。通常，LLM基于神经网络模型，使用大量的语料库进行训练，比如互联网上的大量文本数据。
    代码搭建rag知识库
    04-03
    ### 构建RAG知识库的核心流程 构建RAG（检索增强生成）知识库通常涉及以下几个核心部分：文档加载、向量存储、相似度计算以及模型推理。以下是基于Python的一个简化版RAG系统的实现示例，该示例结合了LangChain框架来完成主要功能。 #### 使用LangChain搭建RAG系统 以下是一个简单的代码示例，展示了如何利用LangChain快速创建一个基础的RAG系统[^2]： ```python from langchain.embeddings import OpenAIEmbeddings from langchain.vectorstores import FAISS from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain.llms import OpenAI from langchain.chains.question_answering import load_qa_chain from langchain.document_loaders import DirectoryLoader, TextLoader # 加载本地文件作为知识源 loader = DirectoryLoader("./data", glob="*.txt", loader_cls=TextLoader) documents = loader.load() # 将大段文本分割成较小的部分以便处理 text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200) texts = text_splitter.split_documents(documents) # 初始化嵌入模型并建立向量数据库 embeddings = OpenAIEmbeddings() db = FAISS.from_documents(texts, embeddings) # 定义问答链路 llm = OpenAI(temperature=0) qa_chain = load_qa_chain(llm, chain_type="stuff") def run_query(query): docs = db.similarity_search(query) # 向量搜索最相关的文档片段 result = qa_chain.run(input_documents=docs, question=query) # 基于LLM生成最终答案 return result # 测试查询 query = "什么是RAG？" response = run_query(query) print(response) ``` 上述代码实现了从加载文档到执行具体查询的过程。其中`DirectoryLoader`负责读取指定目录下的所有`.txt`文件；`RecursiveCharacterTextSplitter`则用来将这些长篇幅的内容拆分成适合后续操作的小块；接着通过OpenAI提供的嵌入服务把每一段文字转化为高维空间中的表示形式，并存放到FAISS这种高效的近似最近邻算法支持的数据结构里待查用。最后当用户输入一个问题时，程序会先找到与其最为匹配的知识条目再交由大型预训练语言模型给出精确回复。 #### 创建新知识库的具体步骤说明 如果按照另一份资料介绍的方式来进行，则需遵循如下指示去新建属于自己的工作区与对应的知识库实例[^1]: - 登录至目标平台的工作区域； - 寻找页面上的“知识库”选项卡； - 找到位于顶部右侧位置带有加号标记按钮的位置点击它即可启动新增流程。 以上便是有关借助编程手段打造具备检索强化特性的知识管理系统的大致方法论概述及相关实践案例分享。
    评论
    添加红包

    请填写红包祝福语或标题

    个

    红包个数最小为10个

    元

    红包金额最低5元

    当前余额3.43元 前往充值 >
    需支付：10.00元
    成就一亿技术人!
    领取后你会自动成为博主和红包主的粉丝 规则
    hope_wisdom
    发出的红包

    打赏作者

    聚客AI

    你的鼓励就是我创作的动力

    ¥1 ¥2 ¥4 ¥6 ¥10 ¥20
    扫码支付：¥1
    获取中
    扫码支付

    您的余额不足，请更换扫码支付或充值

    打赏作者

    实付元
    使用余额支付
    点击重新获取
    扫码支付
    钱包余额 0

    抵扣说明：

    1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
    2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

    余额充值