RAGFlow 详细介绍与完整教程

1. RAGFlow 是什么？

RAGFlow 是一个基于 检索增强生成（Retrieval-Augmented Generation, RAG） 的开源框架，专注于 文档知识问答 和 企业级知识管理。它结合了 向量数据库检索 和 大语言模型（LLM），能够高效地从海量文档中提取信息并生成精准回答。

核心特点

✅ 文档解析能力强：支持 PDF、Word、Excel、PPT、TXT 等

✅ 智能分块与向量化：优化文本分块策略，提高检索质量

✅ 多路召回 + 重排序：提升答案相关性

✅ 可视化知识库管理：便于文档管理和效果调优

✅ 支持多种 LLM：如 GPT-4、LLaMA、ChatGLM 等

2. RAGFlow 核心架构

mermaid

graph LR
    A[文档上传] --> B[文本解析 & 分块]
    B --> C[向量化存储]
    C --> D[向量数据库]
    D --> E[用户提问]
    E --> F[检索相关片段]
    F --> G[LLM 生成答案]
    G --> H[返回结果]

1. 文档解析：使用 OCR/NLP 技术提取文本
2. 文本分块：按语义分割（避免信息丢失）
3. 向量化：采用 Embedding 模型（如 BGE、OpenAI）
4. 检索增强：从向量数据库（Milvus/FAISS）召回相关内容
5. 生成答案：LLM 结合检索结果生成回答

3. 快速安装与部署

(1) 环境准备

• Python 3.8+
• CUDA（如需 GPU 加速）
• Docker（推荐）

(2) 安装 RAGFlow

# 克隆仓库
git clone https://github.com/infiniflow/ragflow.git
cd ragflow

# 安装依赖
pip install -r requirements.txt

# 启动后端服务（默认使用 Milvus 向量库）
docker-compose up -d

# 启动 Web UI
python src/web/main.py

访问 http://localhost:7860 进入管理界面。

4. 完整使用教程

(1) 上传文档

通过 Web UI 或 API 上传文件：

import requests

url = "http://localhost:8000/api/v1/upload"
files = {"file": open("report.pdf", "rb")}
response = requests.post(url, files=files)
print(response.json())

(2) 构建知识库

from ragflow import RAGFlow

rag = RAGFlow(
    embedding_model="bge-small",  # 向量模型
    llm_model="gpt-3.5-turbo",   # 生成模型
    database="milvus"            # 向量数据库
)

# 添加文档到知识库
rag.add_document("report.pdf")

(3) 进行问答

question = "如何申请年度休假？"
answer = rag.query(question)
print(answer)

输出示例：

{
    "answer": "员工需提前3天在OA系统提交申请...",
    "sources": ["report.pdf (Page 12)"]
}

5. 高级功能

(1) 自定义分块策略

from ragflow.splitters import SemanticSplitter

splitter = SemanticSplitter(
    chunk_size=500,
    overlap=50
)
rag.set_splitter(splitter)

(2) 混合检索（Hybrid Search）

结合 关键词搜索 + 向量搜索：

rag.enable_hybrid_search(
    keyword_weight=0.3,
    vector_weight=0.7
)

(3) 重排序（Reranking）

使用 BAAI/bge-reranker 提升结果质量：

rag.enable_reranker(model="bge-reranker-large")

6. 性能优化技巧

1. 分块优化：

   • 技术文档：chunk_size=300-500
   • 合同文本：chunk_size=800-1000

2. Embedding 选择：

   • 中文：bge-large-zh
   • 多语言：paraphrase-multilingual-mpnet-base-v2
3. 缓存机制：

   rag.enable_cache("redis://localhost:6379")

7. 企业级部署方案

架构示例

mermaid

graph TB
    A[用户] --> B[负载均衡]
    B --> C[RAGFlow API 集群]
    C --> D[Milvus 向量数据库]
    C --> E[PostgreSQL 元数据存储]
    D --> F[GPU 推理节点]

Kubernetes 部署

# ragflow-deployment.yaml
apiVersion: apps/v1
kind: Deployment
metadata:
  name: ragflow
spec:
  replicas: 3
  template:
    spec:
      containers:
      - name: ragflow
        image: ragflow:latest
        ports:
        - containerPort: 8000

8. 常见问题解答

Q1: 如何处理扫描版 PDF？

A: 启用 OCR 模块：

rag.enable_ocr(engine="paddleocr")

Q2: 如何接入企业微信？

A: 使用 Webhook：

rag.add_output_channel("wecom", webhook_url="YOUR_WEBHOOK")

9. 总结

• RAGFlow 适合：企业知识库、智能客服、法律/医疗文档分析
• 优势：开箱即用、检索精度高、支持复杂文档
• 扩展性：可对接任意 LLM 和向量数据库

推荐场景

GitHub: https://github.com/infiniflow/ragflow

通过本教程，您已掌握 RAGFlow 的核心功能与部署方法，现在可以构建自己的智能问答系统了！ 🚀