RAGFlow：一个完整的 RAG 使用解决方案-平芜编程栈

1. 引言：为什么需要 RAGFlow？

在当今信息爆炸的时代，如何从海量文档中快速、准确地获取所需信息，已成为企业和开发者面临的核心挑战。传统的检索增强生成（RAG）技术虽然有效，但在实际落地中常常面临文档解析复杂、检索精度不高、流程割裂等痛点。

RAGFlow应运而生，它是一个开源的、企业级的 RAG 应用开发框架，旨在提供一个完整、易用、高性能的 RAG 使用解决方案。它不仅仅是一个工具，更是一套覆盖从文档解析、向量化、检索到生成全流程的最佳实践。

2. RAGFlow 的核心特性

RAGFlow 的设计理念是“开箱即用”和“深度可定制”，其核心特性包括：

多格式文档深度解析：支持 PDF、Word、Excel、PPT、Markdown、TXT 等多种格式，不仅能提取文字，还能理解表格、图片中的结构化信息。
智能文本切分（Chunking）：内置基于语义和规则的智能切分策略，避免在句子或关键词中间切断，保证检索上下文的完整性。
多路召回与混合排序：结合基于向量的语义检索、基于关键词的全文检索以及元数据过滤，通过混合排序算法返回最相关的结果。
可追溯的答案生成：生成的每一个答案都附带明确的来源引用（如文档名、页码、段落），确保结果的可信与可审计。
可视化知识库管理与工作流编排：提供友好的管理界面，方便管理文档、配置检索策略和监控问答效果。

3. 快速开始：部署与第一个应用

3.1 环境准备

RAGFlow 支持 Docker 快速部署。确保你的环境已安装 Docker 和 Docker Compose。

# 克隆项目 git clone https://github.com/infiniflow/ragflow.git cd ragflow 使用 Docker Compose 启动 docker-compose up -d

启动后，访问 http://localhost:9380 即可进入管理界面。

3.2 创建知识库与上传文档

登录后，点击“创建知识库”，填写名称和描述。
在知识库中，点击“上传文档”，支持拖拽或选择文件上传。
上传后，系统会自动进行解析、切分和向量化入库。

3.3 配置检索策略与测试问答

在知识库设置中，可以调整：

切分方式：按段落、按句子或自定义规则。
检索模型：选择嵌入模型（如 BGE、OpenAI Embeddings）。
重排序模型：优化召回结果的排序。

配置完成后，即可在“问答测试”界面输入问题，体验基于你私有文档的智能问答。

4. 进阶使用：自定义与集成

4.1 自定义文本切分器

如果内置切分规则不满足需求，你可以通过代码自定义切分逻辑。

from ragflow import RAGFlow 初始化 RAGFlow 客户端 client = RAGFlow(base_url="http://localhost:9380") 自定义切分函数示例：按固定字符数切分，并保证句子完整性 def my_custom_chunker(text, chunk_size=500): # 简单的按句子切分逻辑 sentences = text.split('。') chunks = [] current_chunk = "" for sentence in sentences: if len(current_chunk) + len(sentence) < chunk_size: current_chunk += sentence + '。' else: if current_chunk: chunks.append(current_chunk) current_chunk = sentence + '。' if current_chunk: chunks.append(current_chunk) return chunks 在知识库配置中应用自定义切分器（需通过 API 或配置实现）

4.2 API 集成

RAGFlow 提供了完整的 RESTful API，方便集成到现有业务系统。

import requests 问答 API 调用示例 url = "http://localhost:9380/api/v1/knowledge_base/{kb_id}/chat" headers = {"Authorization": "Bearer YOUR_API_KEY", "Content-Type": "application/json"} data = { "query": "RAGFlow 的核心优势是什么？", "stream": False } response = requests.post(url, json=data, headers=headers) answer = response.json() print(answer.get("answer")) print("来源：", answer.get("sources"))