一、前言随着大语言模型LLM的广泛应用检索增强生成RAG技术已成为解决模型幻觉、打通企业私有知识的关键手段。然而在实际落地中向量数据库的构建并非易事——面对 PDF、Word、Excel、PPT 等多种非结构化文档的分门别类处理、内容清洗、多模态分析等环节开发者往往需要编写大量定制脚本耗费巨大精力。RAGFlow 作为一款开源的 RAG 工作流框架提供了一套简单高效的化散为整解决方案。本文将从概念、架构、部署到实战系统梳理 RAGFlow 的核心知识。二、RAGFlow 是什么2.1 概念RAGFlow是一种结合了检索增强生成Retrieval-Augmented Generation, RAG技术的工作流程框架主要用于构建和优化基于大型语言模型的知识密集型应用系统。其核心特性包括检索增强生成RAG将外部知识库检索与生成式 AI 模型相结合。先检索相关信息再让模型基于检索结果生成回答显著提升准确性与可靠性。工作流程化将 RAG 的各环节文档处理、索引构建、检索、生成等组织成可配置的工作流开发者可灵活定制和优化每个环节。模块化设计包含文档加载器、文档处理器、嵌入模型、向量存储、检索器和生成器等模块每个模块可独立配置和替换。可视化与监控提供工作流可视化和性能监控工具降低调试门槛。内置评估框架可对 RAG 系统各环节进行量化评估与优化。2.2 典型应用场景企业知识库智能问答文档智能搜索个性化推荐系统行业知识专家助手2.3 使用 RAGFlow 的意义在企业知识库开发中往往需要导入多种非规整格式的文档。RAGFlow 的优势在于多格式自动解析支持 PDF、Word、Excel、PPT、TXT 等常见文件类型自动分析内容并解析存储独立知识库空间可自由创建多个独立的知识库实现知识隔离管理可视化操作通过 Web 界面完成上传、删除、解析等操作无需编写代码灵活的知识助手可创建知识助手掌握不同知识库一个助手可关联一个或多个知识库来源可追溯回答中会标注信息来源并给出源文件引用三、环境要求在部署 RAGFlow 之前请确保环境满足以下最低配置资源要求CPU至少 4 核心x86 架构内存至少 16 GB存储至少 50 GB 磁盘空间注意低于此配置虽然也能运行但响应速度会显著下降。RAGFlow 的镜像文件约 7.6 GB网络环境也需考虑。四、安装部署指南RAGFlow 基于 Docker 运行以下以 Ubuntu 系统为例。4.1 安装 Docker# 更新软件包 sudo apt update sudo apt upgrade -y ​ # 安装 Docker 依赖 sudo apt-get install ca-certificates curl gnupg lsb-release ​ # 添加 Docker 官方 GPG 密钥使用阿里云镜像加速 curl -fsSL http://mirrors.aliyun.com/docker-ce/linux/ubuntu/gpg | sudo apt-key add - ​ # 添加 Docker 软件源 sudo add-apt-repository deb [archamd64] http://mirrors.aliyun.com/docker-ce/linux/ubuntu $(lsb_release -cs) stable ​ # 安装 Docker sudo apt-get install docker-ce docker-ce-cli containerd.io ​ # 启动并验证 sudo systemctl start docker sudo systemctl status docker4.2 配置系统参数# 编辑 sysctl 配置 sudo vim /etc/sysctl.conf ​ # 添加以下参数 vm.max_map_count 262144 ​ # 使配置生效 sysctl -p4.3 部署 RAGFlow获取 RAGFlow 源码并解压sudo mkdir /opt/mirrors cd /opt/mirrors unzip ragflow-main.zip -d /opt/导入 Docker 镜像核心组件说明见下表docker load -i elasticsearch.tar # 全文搜索引擎 docker load -i infinity.tar # 高性能向量数据库 docker load -i minio.tar # 对象存储服务 docker load -i mysql.tar # 关系型数据库 docker load -i valkey.tar # 高性能键值缓存修改镜像标签确保与配置文件一致vim /opt/ragflow-main/docker/docker-compose-base.yml ​ # 将 es01 的 image 替换为 image: docker.elastic.co/elasticsearch/elasticsearch:8.11.3修改环境变量配置vim /opt/ragflow-main/docker/.env ​ # 删除华为云镜像源的注释符约第 105 行启动服务cd /opt/ragflow-main/docker docker compose up -d如果拉取镜像超时可配置 Docker 镜像加速器/etc/docker/daemon.json{ registry-mirrors : [ https://docker.m.daocloud.io, https://mirror.aliyuncs.com ] }五、核心组件架构组件作用Elasticsearch全文搜索引擎支持高效文本检索Infinity字节跳动开源的高性能向量数据库处理嵌入向量存储与检索MinIO兼容 S3 的对象存储存放文档原始文件MySQL关系型数据库存储元数据和系统配置Valkey高性能键值存储支撑缓存和消息队列六、配置知识库6.1 初始化部署完成后通过浏览器访问服务器公网 IP进入 RAGFlow Web 界面注册账号并登录在个人设置中将语言切换为中文6.2 配置模型供应商以阿里云百炼Tongyi-Qianwen为例前往 百炼控制台 获取 API-KEY在 RAGFlow 中进入「模型供应商」页面找到「Tongyi-Qianwen」添加模型并粘贴 API-KEY设置默认模型千问系列的优势在于模型矩阵全面——大语言模型、多模态模型、重排模型Rerank、向量化模型Embedding均可通过同一 API 接入满足大多数任务需求。6.3 创建知识库点击「知识库」→「创建知识库」→ 填写名称和描述 → 保存上传知识文档支持 PDF、Word、Excel、PPT、TXT 等关键步骤上传后务必点击「解析」按钮PDF 会调用多模态模型分析耗时较长请耐心等待若解析失败逐个重新解析即可6.4 创建知识助手进入「助理」页面点击「创建助理」重点助理描述务必详细填写否则后续 API 调用时无法灵活处理问题为助手关联一个或多个知识库创建对话进行测试测试效果回答中会给出每条信息的来源标识和源文件引用说明答案是基于知识库检索生成而非模型自身知识。6.5 通用知识助手推荐配置除专业知识库外建议创建一个通用知识助手来处理非知识库范围内的通用问题为通用助手选择性能较好的模型以减少幻觉设置系统提示词约束其行为边界通过关键词规则进行助手路由实现专业问题走专业知识库、通用问题走通用助手的智能分流七、关键技术要点总结文档解析是核心RAGFlow 的多模态解析能力是其区别于普通向量数据库方案的关键优势尤其对于 PDF 中的图片、表格内容助理描述至关重要详细的助理描述能显著提升问题处理的灵活性和准确性模型选择策略向量化模型、重排模型、生成模型应搭配选择千问系列提供了端到端的统一方案知识库隔离不同领域知识应创建独立知识库通过助手灵活组合便于管理和维护来源可追溯每个回答都标注信息来源保证了企业场景下的可信度和可审计性八、结语RAGFlow 通过将 RAG 的各个环节标准化、流程化大幅降低了企业级知识库系统的构建门槛。从多格式文档的自动解析到知识助手的灵活编排它为开发者提供了一套开箱即用但又高度可定制的 RAG 基础设施。无论是构建企业内部的制度问答系统、产品知识库还是面向特定领域的行业专家助手RAGFlow 都是一个值得深入学习和实践的优秀开源项目。本文基于 RAGFlow 官方文档及实践教程整理仅供学习交流使用。