1. 什么是RAGFlow？ #

• ragflow文档
• ragflow代码

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 #

• 免费体验
• 轻量云主机
• 按量付费
• 主机列表

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 #

• ragflow-plus项目
• ragflow-plus文档
• ragflow-plus前台
• ragflow-plus后台

• ragflow-plus

• 应用管理

#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