RAGFlow 是一个开源的增强检索生成（RAG）引擎，它与大型语言模型（LLMs）等集成，从复杂的数据格式中提供准确且引用支持的答案。RAGFlow 开发者文档 提供了全面的指南来帮助您有效地部署、配置和使用 RAGFlow 的方法。

建筑元素

这里提到的架构：

来源链接: https://github.com/infiniflow/ragflow?tab=readme-ov-file#架构设计

数据导入和处理:

• RAGFlow 可处理多种数据格式，包括 PDF、Word 文档和网页。
• 深度文档理解部分处理这些输入，提取并结构化信息以便实现有效查找。

知识库管理系统:

• 处理后的数据存储在知识库系统中，组织的方式便于高效的搜索和检索操作。
• 该系统采用了先进的索引和分段策略来提升检索的准确性。

检索方法:

• 在收到用户查询时，RAGFlow 会搜索知识库来找到相关信息。
• 它结合了多种召回策略并进行融合重排序，优先显示最相关的结果。

语言模型整合:

• RAGFlow 可以与可配置的大型语言模型集成，根据检索到的信息生成响应。
• 这种集成确保生成的答案既符合上下文情境又基于底层的数据。

引用和生成回应

• 系统生成的答案并附上引用，提供透明度并可追溯到原始数据来源。
• 此功能使回答更加可靠和可信。

用户界面及API访问：

• RAGFlow 提供了一个直观的用户界面，方便用户直接互动。
• 另外，它还提供了API接口，便于与其它业务应用程序无缝对接，从而实现自动化工作流程并扩展功能。

在本地部署RAGFlow

要本地部署RAGFlow，确保你的系统符合以下要求：

硬件需求:

• CPU: 4核（x86架构）
• 内存/运存: 16 GB
• 存储空间: 50 GB

软件需求:

• Docker: 版本号 24.0.0 以及更高版本
• Docker Compose: 版本号 2.26.1 以及更高版本

启动服务器之前，请将 vm.max_map_count 设置为至少 _262144，以确保 Elasticsearch 能够正常运行。这可以通过运行以下命令来实现：

sudo sysctl -w vm.max_map_count=262144

    sudo sysctl -w vm.max_map_count=262144

将 vm.max_map_count 设置为 262144

为了使此更改永久生效，请在您的 /etc/sysctl.conf 文件中添加 vm.max_map_count=262144。

准备工作就绪后，你可以使用 Docker Compose 运行 RAGFlow 服务器。

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

当服务器启动后，您可以在浏览器中通过 http://<您机器的IP地址> 访问RAGFlow界面。

设置语言模型

RAGFlow需要与大型语言模型（LLM）集成，以提供准确和基于事实的回答。它支持多种模型，比如来自OpenAI和Ollama的模型。

配置一个大型语言模型的步骤如下:

1. 点击 RAGFlow 界面右上角的个人资料徽标。
2. 在下拉菜单中选择“模型提供者”。
3. 在添加所需的 LLM 时，输入必要的 API 密钥和配置详情。

确保你添加的模型已正确配置以与RAGFlow进行交互。

建立知识库

在RAGFlow中，知识库是一系列从各种文档中提取的数据集。要创建一个知识库：

可以按照以下步骤进行：

• （此处省略具体步骤，原文未提供）

1. 点击页面顶部的“知识库”标签。
2. 点击“创建知识库”，然后输入名称。
3. 选择适合您文档的嵌入模型和分块方法。
4. 上传支持的文件格式，如PDF、DOCX、XLSX等。
5. 上传后，开始解析过程将文件转换成数据集。

RAGFlow 提供多种分块模板，适用于不同的文档布局，从而提升信息检索的准确性，使得信息检索更加准确。

你可以通过导航到“检索测试”部分来测试一下。

在上面的例子中，我正在测试我在“绝密数据”知识库中上传的文档的检索。

创建助手们（如AI助手）

你可以通过进入“聊天界面”，然后点击添加按钮来创建一个助手。

上面的图显示了在RAGFlow中创建专用聊天助手的“聊天设置”界面。该界面允许用户配置助手的设置，包括但不限于：

1. 名称 — “Web 应用安全专家”是此助理的指定名称。
2. 简介 — 简短描述“Web 安全专家”。
3. 头像 — 上传助理头像的选项，目前未设置。
4. 空响应 — 处理助理无答案情况的字段目前为空。
5. 设定开场白 — 用户的问候消息：“你好 Omar! 👋我是你的 Web 安全专家，有什么我可以帮你的吗？”
6. 显示引用 — 启用的切换开关，表明响应中可能包含引用或参考内容。
7. 语音转换 — 此切换开关关闭，意味着助理将以文字而非语音回应。
8. 知识库 — 助理链接至名为“super-secret-data”的知识库。(本例中，我使用了之前创建的知识库)。

在RAGFlow的聊天配置界面中，‘提示引擎’选项卡让你能够创建系统提示并设置相关参数。

系统提示（定义）:

• 助手被配置为一个Web应用安全专家，专注于检测和缓解诸如SQL注入、XSS（跨站脚本攻击）和CSRF（跨站请求伪造）等常见漏洞。
• 描述明确地定义了助手的角色和任务。

相似度阈值：滑动条

• 此设置决定了检索结果与查询输入的匹配程度。值越高，检索结果的相关性越强，从而提高精确度。

关键字相似度权重（滑动条）:

• 调整关键词匹配在检索相关文档或生成回复时的重要程度。

前 N（滑动条）

这个设置决定了在处理查询时，考虑多少个前几个结果。设置的数值越高，检索到的潜在匹配项就会越多。

多轮调整（开关）:

• 已启用此功能，表示助手已针对多回合对话进行了优化，支持后续提问和上下文交流。

重新排序模型（下拉框） ：

• 可以选择一个重排序模型，不过目前还没有选。

变量和键值对:

• 添加了一个名为“知识”的变量，用来引用与该助手相关联的知识库。这可能会影响助手处理和引用外部信息的方式。

介入文件解析

RAGFlow 提供对解析过程的可见性，允许手动干预来提高数据准确性。在解析文档之后,

1. 点击解析文件以查看其分段结果。
2. 检查每个分段，如有必要，进行调整，例如添加关键词或修改内容。
3. 保存您的更改，以确保知识库的内容反映准确的内容。

这一功能保证用于生成回答的数据既精准又相关的内容。

创建一个代理

RAGFlow 引入了一种创新的代理机制，旨在增强大规模语言模型在业务应用中的能力，使其更高效。此功能将无代码工作流编辑器与全面的基于图的任务编排框架结合在一起，使用户能够根据特定需求创建复杂代理。

RAGFlow中的代理程序充当中介角色，通过协调管理各种搜索技术（包括查询意图分类、对话引导和查询重构）来管理复杂任务。这种协调管理的目标是：

• 提升检索准确性: 通过优化用户查询和管理互动，代理提高了从知识库中检索信息的准确性。
• 处理复杂场景: 代理能够应对各种复杂的交互情况，适用于各种业务场景。

创建代理

1. 首先，点击顶部中央的“代理”选项卡。
2. 点击“+ 创建代理”按钮来打开代理模板页面。
3. 选择“空白”模板从零开始构建代理，或者选择适用于常见场景的现有模板，例如通用型聊天机器人。

使用无代码工作流编辑器，通过拖拽操作来设计代理程序的行为。

为每个组件设置输入和输出参数，选择合适的知识库，并根据需要调整大模型（LLM）的参数。

详细了解，请参阅RAGFlow文档网站上的“智能代理入门”页面。

高级设置

RAGFlow 提供了各种高级设置来提升性能。

• Docker 环境变量： 通过调整 .env 文件中的变量来配置 Elasticsearch、MySQL 和 Redis 等服务的配置。
• 服务配置： 修改 service_conf.yaml.template 文件以设置 RAGFlow 的 API 和任务执行器等系统参数。

详细资料可以在我们的文档[配置]部分找到。

更新RAGFlow步骤

将 RAGFlow 更新到最新版本,

1. 获取最新的Docker镜像：

    docker pull infiniflow/ragflow:latest

此命令用于从 Docker 注册表中拉取最新版本的 infiniflow/ragflow 镜像。

2、更新你的.env文件为新的镜像版本。

请重启RAGFlow服务。

docker compose down docker compose up -d

运行以下命令来停止并重启Docker容器：docker compose down 和 docker compose up -d

请参阅升级RAGFlow指南，有关详细升级说明请访问升级RAGFlow。

RAGFlow开发者手册提供了部署和使用RAGFlow的全面指南。