1. RAGFlow概述

RAGFlow是基于检索增强生成（Retrieval-Augmented Generation）技术的开源知识库解决方案，能够快速将非结构化文档（PDF、Word、Markdown等）转化为可检索的知识库，并通过大模型实现精准问答。其核心优势包括：

• 自动文本解析：支持复杂格式文档（表格、公式、代码块）的智能解析；

• 精准检索：结合语义匹配和关键词检索，提升上下文相关性；

• 可视化流程：从文档预处理到问答测试全流程图形化操作。

2. 环境准备与系统搭建

2.1 环境需求

2.2 安装

通过Docker一键部署：

# 拉取最新镜像
docker pull infiniflow/ragflow:latest
# 启动容器（GPU版本需附加--gpus all参数）
docker run -d --name ragflow 
  -p 8000:8000 
  -v /data/ragflow:/var/ragflow 
  infiniflow/ragflow

访问 http://localhost:8000 进入登录界面

3. 应用实践

3.1 注册账号

1. 点击首页"Sign Up"进入注册页面

2. 输入邮箱、密码（需包含大小写字母+数字）

3. 验证邮箱后完成注册

3.2 添加模型

进入模型管理 > 新增模型：

• 本地模型：指定模型路径（如/opt/llama2-13b）

• API模型：填写OpenAI/Gemini等API密钥

• 参数设置：调整temperature、max_tokens等生成参数

• 

• 3.3 创建知识库

• 点击知识库 > 新建知识库

• 上传文档（支持批量上传）

• 配置解析规则：

• 分块大小：建议512-1024 tokens

• 元数据提取：自动识别作者、日期等字段

• 启动文档解析（等待进度条完成）

4. 验证效果

检索分析

查看检索日志：

• 命中的文档片段

• 相关性评分

• 大模型改写后的查询语句

• 原文档：



• 
  

• 本文介绍了 RAGFlow 的基础使用方法，从演示效果来看尚可。然而，在实际应用场景中，各类文件格式与结构各不相同，文件解析成为一大难题。一旦解析不准确，即便使用性能强劲的 Deepseek-R1 大模型（经亲测），也会出现分析错误的情况。因此，在 RAG 过程中，文件解析、Embedding 以及 LLM 是提升准确率的三大关键攻克点。