Ragflow是什么？
Ragflow的主要功能
快速上手Ragflow:构建知识库与应用
01
—
Ragflow 是什么
02
—
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 。
03
—
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」，
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 。
