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！

最新推荐文章于 2025-04-03 14:14:28 发布

ai大模型应用开发

最新推荐文章于 2025-04-03 14:14:28 发布

阅读量7.6k

点赞数 34

文章标签：人工智能大数据机器学习面试 pdf

本文链接：https://blog.csdn.net/2401_85375298/article/details/146035558

版权

摘要：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。然而，目前 RAG 在实际应用中仍然存在一些效果问题，严重影响了其应用的体验和价值。比如，幻觉问题较为突出，模型可能会生成一些看似合理但实际上与事实不符的答案，就像在回答关于历史事件的问题时，可能会虚构一些不存在的细节或情节。拒答现象也时有发生，当检索结果不完整或未能检索到相关内容时，模型就无法给出答案，这在一些对回答及时性要求较高的场景中是难以接受的。此外，回答不完整的情况也屡见不鲜，可能是因为文档切片本身不完整，或者召回过程中存在缺失，导致模型在处理复杂问题时遗漏关键信息，给出的答案无法满足用户的需求。

造成这些问题的原因是多方面的。语义不协调是一个重要因素，任务的预期含义、RAG 的理解以及存储的底层知识之间可能存在不一致，导致问题与答案在语义上不匹配，使得直接比较问题和原始知识库难以得到理想的结果。向量嵌入技术的不透明性也增加了问题的复杂性，向量在捕捉陈述语义内容方面存在固有缺陷，余弦相似性等度量方法在排名时不够精确，且难以理解和校准这些分数的意义，使得检索结果的可靠性受到影响。本文介绍一款开源工具解决语义分块的工具，可以快速搭建专业的AI知识库.‍‍‍

Ragflow是什么？‍‍‍‍‍‍‍‍‍
Ragflow的主要功能‍‍‍‍‍‍‍‍‍‍‍‍‍‍
快速上手Ragflow:构建知识库与应用‍‍‍‍‍‍‍‍‍‍‍

—

Ragflow 是什么

这样的背景下，ragflow 应运而生，为解决 RAG 现存问题带来了新的希望。ragflow 是一款基于深度文档理解构建的开源 RAG 引擎，它就像是一位智能的知识管家，能够为各种规模的企业及个人提供一套精简高效的 RAG 工作流程。它的出现，让用户在处理各类复杂格式数据时，能够结合大语言模型，获得可靠的问答结果，并且每一个回答都有理有据，有清晰的引用来源。

ragflow 的主要功能十分强大且全面。在文档处理方面，它支持丰富多样的文件类型，无论是常见的 Word 文档、PPT、Excel 表格、txt 文件，还是图片、PDF、影印件、复印件，甚至是结构化数据和网页等，都能轻松应对，就像一个万能的文件处理器，不遗漏任何一种知识载体。在文本切片环节，它采用基于模板的文本切片技术，这一技术可不简单，不仅智能化程度高，更重要的是可控可解释。它提供了多种文本模板供用户选择，用户可以根据不同的文档类型和需求，灵活选择最合适的切片方式，大大提高了文本处理的灵活性和准确性。在检索和生成过程中，ragflow 基于多路召回、融合重排序，能够从海量的信息中精准地找到与问题相关的内容，并通过大语言模型生成高质量的回答。同时，它还最大程度地降低了幻觉问题，文本切片过程可视化，用户可以直观地看到文本是如何被处理的，并且支持手动调整，确保答案提供关键引用的快照并支持追根溯源，让每一个回答都真实可靠。

—

Rag的主要功能‍‍‍‍‍‍‍

深度文档理解与知识提取

ragflow 基于深度文档理解技术，能够从各类复杂格式的非结构化数据中精准提取知识。无论是密密麻麻的学术论文，还是格式复杂的商务报告，它都能像一位专业的知识侦探，从中找到关键信息，实现真正意义上的 “大海捞针”。在处理一份包含大量图表和数据的市场调研报告时，ragflow 不仅能准确识别其中的文字内容，还能理解图表所表达的信息，并将其转化为可检索和利用的知识，为后续的问答和分析提供坚实的数据基础。

RAGFlow 能够对 PDF、DOCX、EXCEL、PPT，甚至是图片等复杂格式的非结构化数据进行深度剖析。它的核心组件 DeepDoc 利用视觉信息和解析技术，实现了强大的文档理解能力。在视觉处理方面，借助 OCR（光学字符识别）技术，将图像形式的文档或可转换为图像的文档识别为文本，解决了从图像中提取文字信息的难题。例如，对于扫描版的 PDF 文件，OCR 技术可以准确地将其中的文字转化为可编辑的文本，为后续的处理奠定基础。

布局识别也是视觉处理中的重要环节。不同领域的文件布局千差万别，像报纸、杂志、书籍和简历等在排版上各具特点。DeepDoc 能够精准识别文档的标题、段落、表格、图像等元素，判断文本部分的连续性，以及确定哪些部分需要进行表结构识别（TSR）处理，哪些是配图及对应的标题等。它涵盖了 10 个基本布局组件，几乎能够适应所有常见的文档布局情况。通过布局识别，文档中的信息能够以更结构化的方式呈现，便于后续的分析和处理。

在表结构识别（TSR）方面，DeepDoc 同样表现出色。数据表的结构往往较为复杂，存在层次结构标题、跨单元格和投影行标题等情况。DeepDoc 不仅能够识别表的结构，还能将表中的内容重新组合成大语言模型易于理解的句子。TSR 任务定义了 5 个标签，包括列、行列标题、行标题、合并单元格等，通过这些标签可以更准确地解析表格的结构和内容。

除了视觉处理，解析器也是 DeepDoc 的重要组成部分。针对 PDF、DOCX、EXCEL 和 PPT 这四种常见的文档格式，都有专门的解析器。其中，PDF 解析器最为复杂，因为 PDF 格式具有较高的灵活性。PDF 解析器的输出包括有确切位置（页码和矩形位置）的文本块、带有 PDF 裁剪图像的表格以及已翻译成自然语言句子的表格内容，还有带标题和文字的图。通过这些解析器，不同格式的文档能够被准确地解析，提取出其中有价值的信息。

通过深度文档理解技术，RAGFlow 能够从各类复杂格式的非结构化数据中精准提取知识，在海量数据中快速定位关键内容，极大地提升了信息检索的准确性，为后续的检索和生成高质量回答提供了坚实的数据基础。

模板化分块与可解释性

ragflow 采用的模板化分块技术是其一大亮点。它提供了多种智能且可解释的模板选项，就像为不同类型的文档量身定制的切割模具。用户可以根据文档的具体类型和需求，轻松选择最合适的分块模板，确保文本切片的准确性和合理性。对于简历文档，选择 “Resume” 模板可以按照简历的常见结构，如个人信息、工作经历、教育背景等进行分块，使得后续的检索和处理更加高效；而对于学术论文，“Paper” 模板则能根据论文的章节结构进行分块，方便用户快速定位和获取所需信息。这种模板化分块方式不仅提高了文本处理的效率，还让整个过程更加透明和可控，用户可以清晰地了解文本是如何被处理和分割的。

异构数据源兼容性

ragflow 的兼容性非常强大，它支持丰富多样的异构数据源。无论是常见的文本文件，如 Word、Excel、txt，还是特殊格式的文件，如图片、PDF、影印件、复印件，甚至是结构化数据和网页等，都能被 ragflow 轻松接纳和处理。这意味着用户在构建知识库时，可以将各种不同类型的数据整合在一起，无需担心格式不兼容的问题。企业可以将内部的合同文档、财务报表、会议纪要等不同格式的文件统一导入 ragflow，构建一个全面的企业知识库，为企业的决策和运营提供有力支持。

自动化工作流与配置性

ragflow 为用户提供了自动化的 RAG 工作流，从文档的上传、解析、分块，到信息的检索和回答的生成，整个过程都能高效自动地完成。同时，它对大语言模型和向量模型具有高度的可配置性，用户可以根据自己的需求和实际情况，灵活选择不同的大语言模型和向量模型。用户可以根据自己的预算和性能需求，选择合适的大语言模型，如DeepSeek-V2、 GPT-4、文心一言等，也可以根据数据的特点和应用场景，选择不同的向量模型进行文本的向量化表示。这种高度的可配置性，使得 ragflow 能够适应不同用户和不同场景的需求，为用户提供个性化的解决方案。

—

快速上手Ragflow:构建知识库与应用

准备工作

在使用 ragflow 构建知识库之前，需要确保你的硬件和软件环境满足一定的条件。硬件方面，建议使用 CPU 不低于 4 核心，内存大于等于 16GB，磁盘空间大于 50GB 的设备，以保证系统的流畅运行。软件方面，需要安装 Docker 且版本不低于 24.0.0，Docker Compose 版本不低于 v2.26.1 。如果你的设备尚未安装 Docker，可以参考官方文档进行安装。

下载和部署服务

准备工作完成后，就可以启动 ragflow 服务器了。

首先，通过 git 命令克隆 ragflow 仓库：git clone https://github.com/infiniflow/ragflow.git 。

克隆完成后，进入 docker 文件夹，利用提前编译好的 Docker 镜像启动服务器，执行命令：

cd ragflow/docker

git checkout -f v0.15.1

chmod +x./entrypoint.sh

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

在这个过程中，需要注意的是，核心镜像文件大约 9GB，下载可能需要一定的时间，请耐心等待。服务启动成功后，可以通过命令docker logs -f ragflow-server来确认服务器状态，如果出现类似于下图的输出，说明服务已成功启动。

配置知识库与模型

服务启动后，在浏览器中输入服务器对应的 IP 地址并登录 ragflow，首先需要进行模型配置。点击右上角的头像，选择左侧菜单中的「模型提供商」，在「待添加的模型」中选择要使用的模型供应商，如 DeepSeek-V2，并配置好供应商的 API key 。配置完成后，点击右上角的「系统模型设置」，在弹出的对话框中选择 DeepSeek-V2 模型，点击保存即可。

单击所需的 LLM 并相应地更新 API 密钥（在本例中为 DeepSeek-V2）：

接下来创建知识库，回到知识库页面，点击右上角的「创建知识库」，

输入知识库名称，设置语言、嵌入模型和解析方法等参数。语言可以根据需求选择，如中文；嵌入模型可以根据数据特点和应用场景选择合适的模型；解析方法则提供了多种选项，如通用模板、论文模板、简历模板等，用户可以根据文档类型进行选择。设置完成后，点击保存，然后就可以上传文件到知识库了。

上传文件后，点击解析状态下的开始解析文件，等待解析成功，知识库就创建完成了。

当文件解析完成时，其解析状态变为SUCCESS。

构建应用与使用

ragflow 提供了易用的 API，可以轻松集成到各类企业系统或第三方应用中。以构建一个简单的问答应用为例，假设我们已经在 ragflow 中创建好了知识库并配置好了模型，接下来可以利用 ragflow 的 API 实现问答功能。首先，获取 Chat Bot API key 用来对 RESTful API 调用进行鉴权。然后，调用 REST 方法new_conversation获取唯一的 id 。在应用中，当用户提出问题时，将问题和获取到的 id 以及 API key 一起发送到 ragflow 的 API 服务，如http://demo.ragflow.io/v1/api/completion_aibotk ，ragflow 会根据问题从知识库中检索相关信息，并通过配置的模型生成回答返回给应用。这样，一个基于 ragflow 的简单问答应用就构建完成了，用户可以在应用中输入问题，获取准确、可靠的回答。

ragflow 作为一款创新的开源 RAG 引擎，为解决当前 RAG 应用中存在的诸多问题提供了全面而有效的解决方案。它以其深度文档理解、模板化分块、减少幻觉、异构数据源兼容性以及自动化工作流等强大功能和优势，在众多 RAG 工具中脱颖而出。无论是处理复杂的企业文档，还是构建智能问答系统，ragflow 都能展现出卓越的性能，为用户提供高质量的服务。

随着人工智能技术的不断发展，RAG 应用的前景将更加广阔。ragflow 有望在未来的发展中，不断优化和完善自身的功能，进一步提升 RAG 的效果和应用体验。它可能会与更多先进的技术相结合，如多模态技术，实现对图像、音频等多种类型数据的更深入理解和处理，为用户带来更加丰富和智能的交互体验。相信在 ragflow 等优秀工具的推动下，RAG 技术将在更多领域发挥重要作用，为人们的生活和工作带来更多的便利和创新。如果你对 RAG 技术感兴趣，不妨尝试使用 ragflow，开启你的智能知识管理之旅。