ragflow

1. 什么是RAGFlow？

RAGFlow 是一个基于 RAG（检索增强生成）技术的开源 AI 应用解决方案。它通过可视化的方式，让开发者甚至是非技术背景的业务专家，都能快速构建出高质量的、基于私有知识的智能问答、文档分析和内容生成系统。

1.1 生活中的类比

想象一下，你想建一个智能客服系统，让用户可以通过提问的方式快速找到产品文档中的信息。

传统方法 ：

需要编写大量代码
需要理解复杂的RAG技术细节
调试和优化困难
需要专业的开发人员

使用RAGFlow ：

通过可视化界面拖拽组件
无需编写代码
直观地调试和优化
非技术人员也能使用

RAGFlow 就像是一个"可视化编程工具"，让你用拖拽的方式构建RAG系统，而不需要写代码。

1.2 RAGFlow的核心定位

RAGFlow 的定位是：一个降低了技术门槛的、企业级的、高性能的 RAG 应用开发平台 。

核心特点 ：

可视化工作流 ：通过图形界面设计和优化RAG流程
深度文档理解 ：支持文本、表格、图片等多种格式
精准引用溯源 ：每个答案都标注来源，可追溯可核实
开源自主可控 ：完全开源，可私有化部署

1.3 为什么选择RAGFlow？

vs 传统RAG开发 ：

传统方式需要编写大量代码，RAGFlow提供可视化界面
传统方式调试困难，RAGFlow可以直观地看到每个步骤
传统方式需要专业知识，RAGFlow降低了使用门槛

vs 商用闭源平台 ：

商用平台通常需要付费，RAGFlow完全免费开源
商用平台数据可能上云，RAGFlow可私有化部署
商用平台功能受限，RAGFlow可以完全自定义

2. 安装

2.1 购买

2.2 按量付费

按量付费地址

2.3 登录服务器

2.3.1 使用shell

ssh root@IP

2.3.2 使用xshell

功能强大，免费享用

2.4 安装宝塔面板

安装宝塔面板方式

wget -O install_panel.sh https://download.bt.cn/install/install_panel.sh && sudo bash install_panel.sh ssl251104


Congratulations! Installed successfully!


 请选择以下其中一种方式解决不安全提醒
 1、下载证书，地址：https://dg2.bt.cn/ssl/baota_root.pfx，双击安装,密码【www.bt.cn】
 2、点击【高级】-【继续访问】或【接受风险并继续】访问
 教程：https://www.bt.cn/bbs/thread-117246-1-1.html
 mac用户请下载使用此证书：https://dg2.bt.cn/ssl/mac.crt



 【云服务器】请在安全组放行 29978 端口
 外网ipv4面板地址: https://116.198.44.106:29978/8f9314b9
 内网面板地址:     https://172.30.0.6:29978/8f9314b9
 username: mngxhwjr
 password: 9811737a

2.5 安装docker

访问登录 https://116.198.44.106:29978/8f9314b9 username: mngxhwjr password: 9811737a

使用宝塔面板安装docker

2.6 启动ragflow

启动服务器

2.6.1 下载代码

$ git clone https://gitee.com/bopisky/ragflow.git
$ cd ragflow
$ git checkout -f v0.20.5
$ cd docker

2.6.2修改.env文件

修改docker目录下面的.env文件把

RAGFLOW_IMAGE=infiniflow/ragflow:v0.20.5-slim

改为

RAGFLOW_IMAGE=infiniflow/ragflow:v0.20.5

2.6.3 启动服务

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

2.7 访问

可以通过 http://IP 访问ragflow

2.7 ragflow-plus

#宝塔面板-v9.6.0


git clone https://gitee.com/yakou/ragflow-plus
docker compose -f docker/docker-compose.yml up -d


# 拉取 ollama 镜像
docker pull  docker.1ms.run/ollama/ollama

# 后台运行 ollama 容器，将本地 /data/ollama 挂载到容器内部，暴露 11434 端口
docker run --rm -d -v /data/ollama:/root/.ollama -p 11434:11434 --name ollama docker.1ms.run/ollama/ollama

# 聊天模型：运行 deepseek-r1:1.5b
docker exec -it ollama ollama run deepseek-r1:1.5b

# 向量化模型：拉取 bge-m3:latest
docker exec -it ollama ollama pull bge-m3:latest

# 重排序模型：拉取 xitao/bge-reranker-v2-m3
docker exec -it ollama ollama pull xitao/bge-reranker-v2-m3

# 图像转文本模型：拉取 llava:7b
docker exec -it ollama ollama pull llava:7b



OPENAI_API_KEY=d52e49a1-36ea-44bb-bc6e-65ce789a72f6
OPENAI_BASE_URL=https://ark.cn-beijing.volces.com/api/v3/chat/completions
# 测试 API 连通性
curl -X POST https://ark.cn-beijing.volces.com/api/v3/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer d52e49a1-36ea-44bb-bc6e-65ce789a72f6" \
  -d '{
    "model": "doubao-seed-1-6-250615",
    "messages": [{"role": "user", "content": "Hello"}]
  }'


# 设置文本向量API的URL
VOLC_EMBEDDINGS_API_URL = "https://ark.cn-beijing.volces.com/api/v3/embeddings"
# 设置API密钥
VOLC_API_KEY = "d52e49a1-36ea-44bb-bc6e-65ce789a72f6"
doubao-embedding-text-240715

curl -X POST "https://ark.cn-beijing.volces.com/api/v3/embeddings" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer d52e49a1-36ea-44bb-bc6e-65ce789a72f6" \
  -d '{
    "model": "doubao-embedding-text-240715",
    "input": "需要转换为向量的文本内容"
  }'

deepseek sk-ca18836faa314001842482780ac0d43c
siliconflow sk-sdpjzvkdzzujfvtxwyjenkssjdcycituosdoxnzmlnxkaawe

模型名称	类型	开发组织	备注
聊天模型 (Chat)
01-ai/Yi-1.5-34B-Chat-16K	chat	01.ai	340亿参数，16K上下文
01-ai/Yi-1.5-6B-Chat	chat	01.ai	60亿参数
01-ai/Yi-1.5-9B-Chat-16K	chat	01.ai	90亿参数，16K上下文
deepseek-ai/DeepSeek-R1	chat	DeepSeek	推理模型
deepseek-ai/DeepSeek-V3	chat	DeepSeek	通用对话
deepseek-ai/deepseek-vl2	chat	DeepSeek	视觉语言模型
google/gemma-2-27b-it	chat	Google	270亿参数
google/gemma-2-9b-it	chat	Google	90亿参数
internlm/internlm2_5-20b-chat	chat	InternLM	200亿参数
internlm/internlm2_5-7b-chat	chat	InternLM	70亿参数
meta-llama/Llama-3.3-70B-Instruct	chat	Meta	700亿参数
meta-llama/Meta-Llama-3.1-405B-Instruct	chat	Meta	4050亿参数
meta-llama/Meta-Llama-3.1-70B-Instruct	chat	Meta	700亿参数
meta-llama/Meta-Llama-3.1-8B-Instruct	chat	Meta	80亿参数
Qwen/Qwen1.5-32B-Chat	chat	Qwen	320亿参数
Qwen/Qwen1.5-7B-Chat	chat	Qwen	70亿参数
Qwen/Qwen2-1.5B-Instruct	chat	Qwen	15亿参数
Qwen/Qwen2-7B-Instruct	chat	Qwen	70亿参数
Qwen/Qwen2-Math-72B-Instruct	chat	Qwen	720亿参数，数学专用
Qwen/Qwen2.5-14B-Instruct	chat	Qwen	140亿参数
Qwen/Qwen2.5-32B-Instruct	chat	Qwen	320亿参数
Qwen/Qwen2.5-72B-Instruct	chat	Qwen	720亿参数
Qwen/Qwen2.5-72B-Instruct-128K	chat	Qwen	720亿参数，128K上下文
Qwen/Qwen2.5-7B-Instruct	chat	Qwen	70亿参数
Qwen/QwQ-32B	chat	Qwen	320亿参数
Qwen/QwQ-32B-Preview	chat	Qwen	320亿参数预览版
THUDM/chatglm3-6b	chat	THUDM	60亿参数
THUDM/glm-4-9b-chat	chat	THUDM	90亿参数
蒸馏模型 (Distill)
deepseek-ai/DeepSeek-R1-Distill-Llama-70B	chat	DeepSeek	基于Llama的70B蒸馏
deepseek-ai/DeepSeek-R1-Distill-Llama-8B	chat	DeepSeek	基于Llama的8B蒸馏
deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B	chat	DeepSeek	基于Qwen的1.5B蒸馏
deepseek-ai/DeepSeek-R1-Distill-Qwen-14B	chat	DeepSeek	基于Qwen的14B蒸馏
deepseek-ai/DeepSeek-R1-Distill-Qwen-32B	chat	DeepSeek	基于Qwen的32B蒸馏
deepseek-ai/DeepSeek-R1-Distill-Qwen-7B	chat	DeepSeek	基于Qwen的7B蒸馏
嵌入模型 (Embedding)
BAAI/bge-large-en-v1.5	embedding	BAAI	英文嵌入模型
BAAI/bge-large-zh-v1.5	embedding	BAAI	中文嵌入模型
BAAI/bge-m3	embedding	BAAI	多语言嵌入
netease-youdao/bce-embedding-base_v1	embedding	网易有道	基础嵌入
Qwen/Qwen3-Embedding-0.6B	embedding	Qwen	6亿参数
Qwen/Qwen3-Embedding-4B	embedding	Qwen	40亿参数
Qwen/Qwen3-Embedding-8B	embedding	Qwen	80亿参数
重排模型 (Rerank)
BAAI/bge-reranker-v2-m3	rerank	BAAI	多语言重排
netease-youdao/bce-reranker-base_v1	rerank	网易有道	基础重排
图像转文本 (Image2Text)
deepseek-ai/Janus-Pro-7B	image2text	DeepSeek	70亿参数
Qwen/QVQ-72B-Preview	image2text	Qwen	720亿参数预览版
语音合成 (TTS)
fishaudio/fish-speech-1.5	tts	FishAudio	语音合成
FunAudioLLM/CosyVoice2-0.5B	tts	FunAudioLLM	5亿参数
Pro版本模型
Pro/01-ai/Yi-1.5-6B-Chat	chat	01.ai	Pro版本
Pro/deepseek-ai/DeepSeek-R1	chat	DeepSeek	Pro版本
Pro/deepseek-ai/DeepSeek-V3	chat	DeepSeek	Pro版本
Pro/google/gemma-2-9b-it	chat	Google	Pro版本
Pro/meta-llama/Meta-Llama-3.1-8B-Instruct	chat	Meta	Pro版本
Pro/Qwen/Qwen2-1.5B-Instruct	chat	Qwen	Pro版本
Pro/Qwen/Qwen2-7B-Instruct	chat	Qwen	Pro版本
Pro/Qwen/Qwen2.5-7B-Instruct	chat	Qwen	Pro版本
Pro/Qwen/Qwen2.5-Coder-7B-Instruct	chat	Qwen	代码专用Pro版
Pro/THUDM/glm-4-9b-chat	chat	THUDM	Pro版本

3. RAGFlow的核心特性

3.1 深度文档理解

RAGFlow不仅能处理纯文本，还能理解复杂的文档结构。

支持的文档格式 ：

文本文件 ：TXT、Markdown等
Office文档 ：Word、Excel、PowerPoint
PDF文档 ：支持文字和图片提取
图片文件 ：支持OCR文字识别

深度理解能力 ：

表格解析 ：能理解表格的结构和行列关系
图片识别 ：能提取图片中的文字信息
结构化提取 ：能识别文档的章节、段落等结构

3.2 可视化工作流编排

RAGFlow最大的亮点是可视化的工作流编排界面。

工作流组件 ：

文档加载器 ：加载各种格式的文档
文本分割器 ：将长文本切分成小块
向量化器 ：将文本转换为向量
检索器 ：从向量库中检索相关文档
生成器 ：基于检索结果生成答案

可视化优势 ：

直观地看到整个流程
轻松调整参数和配置
快速测试不同策略
无需编写代码

3.3 精准引用与溯源

RAGFlow生成的每个答案都会标注来源。

引用信息包括 ：

文档名称 ：答案来自哪份文档
页码位置 ：答案来自文档的哪一页
原文片段 ：答案对应的原文内容

溯源的价值 ：

增加答案的可信度
方便用户核实信息
符合企业合规要求

4. RAGFlow的工作原理

4.1 知识库入库流程

RAGFlow的知识库入库流程包括以下步骤：

步骤1：文档加载

用户上传文档（PDF、Word、PPT等）
RAGFlow解析文档，提取文本、表格、图片等内容

步骤2：文档解析

深度解析文档结构
识别章节、段落、表格等元素
提取图片中的文字（OCR）

步骤3：文本切分

根据设定的规则切分文本
可以按段落、按章节、按固定长度等
确保每个文本块包含完整语义

步骤4：向量化

使用嵌入模型将文本块转换为向量
语义相近的文本，向量距离也相近

步骤5：向量存储

将向量存入向量数据库（如Milvus）
同时保存原始文本和元数据

4.2 问答检索流程

用户提问时，RAGFlow的问答流程如下：

步骤1：问题向量化

将用户问题转换为向量
使用与入库时相同的嵌入模型

步骤2：语义检索

在向量数据库中搜索相似向量
返回Top-K个最相关的文本块

步骤3：结果重排（可选）

对检索结果进行二次排序
可以使用关键词匹配、BM25等方法

步骤4：构建提示词

将问题和检索到的文本块组合
格式："请根据以下信息回答问题：[文本块1]...[文本块N]。问题是：[用户问题]"

步骤5：生成答案

调用大语言模型生成答案
支持OpenAI、本地模型等多种LLM

步骤6：返回结果

返回生成的答案
同时返回引用的原文片段和来源信息

5. RAGFlow的主要应用场景

5.1 企业智能知识库

企业可以将内部文档导入RAGFlow，构建智能知识库。

应用场景 ：

员工可以快速查找公司制度、产品手册等信息
新员工培训，快速了解公司知识
技术支持，快速定位解决方案

优势：

无需记忆大量文档内容
快速找到相关信息
答案可追溯，可信度高

5.2 法律与合同审查

法律行业可以使用RAGFlow快速查找相关法条和案例。

应用场景 ：

律师查找相关法律条文
法务审查合同，查找相似案例
法律研究，快速定位相关理论

优势：

提高工作效率
减少遗漏重要信息
答案有明确来源

5.3 技术支持和客服

可以基于产品文档构建智能客服系统。

应用场景 ：

用户提问产品使用问题
技术支持查找故障解决方案
客服快速回答常见问题

优势：

24小时在线服务
回答准确一致
可以引用具体文档

6. 与其他工具的对比

6.1 vs LangChain / LlamaIndex

特性	RAGFlow	LangChain / LlamaIndex
使用方式	可视化界面	代码编程
上手难度	较低	较高
灵活性	高（通过界面配置）	极高（代码实现）
适用人群	技术人员和非技术人员	主要是开发人员
文档理解	内置支持表格、图片	需要额外编码

选择建议 ：

选择RAGFlow ：快速原型开发、非技术人员使用、需要可视化调试
选择LangChain ：需要高度定制、复杂业务逻辑、有开发团队

6.2 vs 商用闭源平台

特性	RAGFlow	商用闭源平台
成本	免费开源	通常需要付费
数据控制	完全自主	可能依赖厂商
部署方式	可私有化部署	通常为SaaS
定制能力	完全开源可定制	受平台限制
技术支持	社区支持	厂商支持

选择建议 ：

选择RAGFlow ：注重数据安全、需要私有化部署、预算有限
选择商用平台 ：需要专业支持、快速上线、不关心数据隐私

1. 什么是RAGFlow？​

1.1 生活中的类比​

1.2 RAGFlow的核心定位​

1.3 为什么选择RAGFlow？​

2. 安装​

2.1 购买​

2.2 按量付费​

2.3 登录服务器​

2.3.1 使用shell​

2.3.2 使用xshell​

2.4 安装宝塔面板​

2.5 安装docker​

2.6 启动ragflow​

2.6.1 下载代码​

2.6.2修改.env文件​

2.6.3 启动服务​

2.7 访问​

2.7 ragflow-plus​

3. RAGFlow的核心特性​

3.1 深度文档理解​

3.2 可视化工作流编排​

3.3 精准引用与溯源​

4. RAGFlow的工作原理​

4.1 知识库入库流程​

4.2 问答检索流程​

5. RAGFlow的主要应用场景​

5.1 企业智能知识库​

5.2 法律与合同审查​

5.3 技术支持和客服​

6. 与其他工具的对比​

6.1 vs LangChain / LlamaIndex​

6.2 vs 商用闭源平台​

1. 什么是RAGFlow？

1.1 生活中的类比

1.2 RAGFlow的核心定位

1.3 为什么选择RAGFlow？

2. 安装

2.1 购买

2.2 按量付费

2.3 登录服务器

2.3.1 使用shell

2.3.2 使用xshell

2.4 安装宝塔面板

2.5 安装docker

2.6 启动ragflow

2.6.1 下载代码

2.6.2修改.env文件

2.6.3 启动服务

2.7 访问

2.7 ragflow-plus

3. RAGFlow的核心特性

3.1 深度文档理解

3.2 可视化工作流编排

3.3 精准引用与溯源

4. RAGFlow的工作原理

4.1 知识库入库流程

4.2 问答检索流程

5. RAGFlow的主要应用场景

5.1 企业智能知识库

5.2 法律与合同审查

5.3 技术支持和客服

6. 与其他工具的对比

6.1 vs LangChain / LlamaIndex

6.2 vs 商用闭源平台