RAGFlow保姆级教程！融合Agent能力，零门槛搭建企业级AI知识库，彻底搞懂！
随着大模型在企业落地加速，“如何让LLM精准理解私有数据、避免幻觉”成为核心痛点。Retrieval-Augmented Generation（RAG）技术因能连接外部知识库、提升回答可信度，成为解决该问题的关键方案。而今天要介绍的**RAGFlow**，正是一款将前沿RAG与Agent能力深度融合的开源引擎——无论是个人搭建知识库，还是企业级部署，它都能帮你快速将复杂数据转化为生产级AI系统。
随着大模型在企业落地加速，“如何让LLM精准理解私有数据、避免幻觉”成为核心痛点。Retrieval-Augmented Generation（RAG）技术因能连接外部知识库、提升回答可信度，成为解决该问题的关键方案。而今天要介绍的RAGFlow，正是一款将前沿RAG与Agent能力深度融合的开源引擎——无论是个人搭建知识库，还是企业级部署，它都能帮你快速将复杂数据转化为生产级AI系统。
先直观体验下官方Demo：https://demo.ragflow.io，感受它的文件管理、AI对话与Agent协作能力～
一、什么是RAGFlow？
RAGFlow是由infiniflow开源的企业级RAG引擎，核心定位是“为LLM构建更优的上下文层”。它并非简单的“检索+生成”工具，而是整合了三大核心能力：
-
RAG+Agent双驱动
既支持精准的外部知识检索，又能通过Agent模板实现自动化任务执行（如技术支持、产品咨询）；
-
统一上下文引擎
能处理海量非结构化数据，从扫描件到网页内容，都能精准提取知识；
-
灵活适配性
提供从个人到大型企业的全场景工作流，无需从零搭建RAG链路。
简言之，RAGFlow要解决的是“从数据到AI应用”的全链路问题——接入数据、配置模型，就能快速生成高保真的AI问答系统。
二、RAGFlow核心功能：直击RAG落地4大痛点
RAGFlow的功能设计精准匹配开发者在实践中的难题，每个特性都对应明确的业务价值：
. 1. 深度文档理解：从“混乱数据”中抽取出精准知识
传统RAG工具常栽在“非结构化数据解析”上——比如PDF扫描件的文字提取不全、Excel表格结构丢失。而RAGFlow通过自研的DeepDoc引擎，能做到：
-
全格式兼容
支持Word、PPT、Excel、TXT、图片、扫描件、网页等异构数据源；
-
精细信息提取
不仅识别文本，还能解析表格结构、图片中的文字（结合OCR），甚至理解PDF中的复杂排版；
-
无限token检索
无需担心文件过大导致信息丢失，能在海量数据中精准找到“关键信息针”。
. 2. 模板化分块：让“数据切割”更智能、可解释
文本分块是RAG的基础，分块质量直接影响检索效果。RAGFlow提供：
-
多场景模板
针对报告、合同、技术文档等不同类型，预置专属分块逻辑，无需手动调试；
-
透明可干预
分块过程可视化，开发者能清晰知道数据如何拆分，便于优化检索策略。
. 3. 接地引用：彻底告别大模型“幻觉”
“回答没依据”是LLM落地的重大风险，RAGFlow通过两大机制解决：
-
分块可视化干预
支持查看文本分块过程，避免关键信息被拆分或遗漏；
-
可追溯引用来源
生成回答时附带原始文档片段，每个结论都能对应到具体出处，既方便验证，也符合企业合规需求。
. 4. 自动化RAG工作流：从“配置到上线”零代码/低代码
无需手动拼接“解析-分块-召回-重排序-生成”等模块，RAGFlow已做好全链路封装：
-
多模型适配
支持OpenAI、Kimi、Grok、DeepSeek等主流LLM与嵌入模型，灵活切换；
-
智能检索策略
多轮召回（关键词+向量）结合融合重排序，提升检索精度；
-
便捷集成
提供直观API，轻松与现有业务系统对接（如客服、技术支持平台）。
三、2025最新更新：紧跟大模型技术前沿
RAGFlow的开发团队迭代非常活跃，2025年以来的关键升级值得关注，确保工具始终适配最新技术：
- 2025-08-08：支持OpenAI最新GPT-5系列模型，进一步提升生成质量；
- 2025-08-04：新增对Kimi K2、Grok 4的支持，模型选择更灵活；
- 2025-08-01：正式支持Agentic工作流与MCP（多组件协调平台），可搭建多Agent协作系统（如“技术支持Agent+检索Subagent”）；
- 2025-05-23：为Agent新增Python/JavaScript代码执行器，支持自动运行代码处理数据（如计算、分析）；
- 2025-03-19：接入多模态模型，可解析PDF/DOCX中的图片内容（如识别图表、截图文字）；
- 2024年底：升级DeepDoc的文档布局分析模型，提升复杂格式文件解析成功率。
四、快速上手：3步启动RAGFlow服务
RAGFlow基于Docker部署，无需复杂环境配置，新手也能在10分钟内启动。
. 1. 确认环境要求
首先确保本地满足基础配置：
- CPU ≥ 4核，RAM ≥ 16GB，磁盘 ≥ 50GB；
- Docker ≥ 24.0.0 + Docker Compose ≥ v2.26.1；
- （可选）若需使用代码执行器，需额外安装gVisor。
. 2. 关键前置配置：调整内存映射限制
RAGFlow依赖的服务需要足够的内存映射，执行以下命令检查并设置：
# 1. 检查当前vm.max_map_count值sysctl vm.max_map_count# 2. 若小于262144，临时设置（重启后失效）sudo sysctl -w vm.max_map_count=262144# 3. 永久设置（推荐）：编辑/etc/sysctl.confecho "vm.max_map_count=262144" | sudo tee -a /etc/sysctl.conf# 生效永久配置sudo sysctl -p
. 3. 克隆仓库并启动服务
# 1. 克隆RAGFlow源码git clone https://github.com/infiniflow/ragflow.git# 2. 进入Docker配置目录cd ragflow/docker# 3. 启动CPU版本（适合快速测试）docker compose -f docker-compose.yml up -d# 若有GPU（需NVIDIA Docker），启动GPU加速版（提升嵌入/解析速度）# docker compose -f docker-compose-gpu.yml up -d
. 4. 验证启动与访问
# 查看服务日志，确认启动成功docker logs -f ragflow-server# 成功标志：出现以下输出____ ___ ______ ______ __ / __ \ / | / ____// ____// /____ _ __ / /_/ // /| | / / __ / /_ / // __ \| | /| / / / _, _// ___ |/ /_/ // __/ / // /_/ /| |/ |/ / /_/ |_|/_/ |_|\____//_/ /_/ \____/ |__/|__/ * Running on all addresses (0.0.0.0)
启动成功后，浏览器输入 http://你的服务器IP（默认端口80，可省略），再在 service_conf.yaml.template中配置LLM API Key（如OpenAI、Kimi的Key），就能开始使用AI对话功能。
五、进阶配置：满足个性化需求
对于有定制化需求的开发者，RAGFlow提供多种进阶方案：
. 1. 选择合适的Docker镜像
RAGFlow提供4类镜像，可根据场景灵活选择：
| RAGFlow镜像标签 | 镜像大小 | 包含嵌入模型 | 稳定性 | 适用场景 |
|---|---|---|---|---|
| v0.20.5 | ≈9GB | ✔️ | 稳定版 | 生产环境，无需依赖外部嵌入服务 |
| v0.20.5-slim | ≈2GB | ❌ | 稳定版 | 测试/开发，依赖外部嵌入服务（如OpenAI Embeddings） |
| nightly | ≈9GB | ✔️ | 开发版 | 体验最新功能，不建议生产用 |
| nightly-slim | ≈2GB | ❌ | 开发版 | 轻量测试最新功能 |
切换镜像只需修改 docker/.env中的 RAGFLOW_IMAGE变量，例如：
RAGFLOW_IMAGE=infiniflow/ragflow:v0.20.5
. 2. 切换文档引擎：从Elasticsearch到Infinity
RAGFlow默认用Elasticsearch存储文本和向量，若需切换到高效向量数据库Infinity，步骤如下：
# 1. 停止并删除现有容器（注意：-v会清除数据，需提前备份）docker compose -f docker/docker-compose.yml down -v# 2. 修改docker/.env，设置文档引擎为infinityecho "DOC_ENGINE=infinity" | sudo tee -a docker/.env# 3. 重启服务docker compose -f docker-compose.yml up -d
⚠️ 注意：Linux/ARM64平台暂不支持Infinity引擎。
. 3. 从源码启动：适合二次开发
若需定制功能，可从源码启动服务：
# 1. 安装依赖工具pipx install uv pre-commit# 2. 克隆源码并安装Python依赖git clone https://github.com/infiniflow/ragflow.gitcd ragflow/uv sync --python 3.10 --all-extras # 安装Python依赖uv run download_deps.py # 下载额外依赖pre-commit install # 安装pre-commit钩子# 3. 启动依赖服务（MinIO、ES、Redis、MySQL）docker compose -f docker/docker-compose-base.yml up -d# 4. 配置hosts（将服务域名解析到本地）echo "127.0.0.1 es01 infinity mysql minio redis sandbox-executor-manager" | sudo tee -a /etc/hosts# 5. （可选）设置HF镜像（无法访问HuggingFace时）export HF_ENDPOINT=https://hf-mirror.com# 6. 安装jemalloc（提升内存效率）# Ubuntu: sudo apt-get install libjemalloc-dev# CentOS: sudo yum install jemalloc# macOS: sudo brew install jemalloc# 7. 启动后端服务source .venv/bin/activateexport PYTHONPATH=$(pwd)bash docker/launch_backend_service.sh# 8. 启动前端服务cd webnpm installnpm run dev
前端启动后，可通过 http://127.0.0.1:9222访问。
如何学习大模型 AI ？
我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是破解困局、推动AI发展的关键。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
2025最新大模型学习路线
明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。
对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。
针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。
大模型经典PDF书籍
新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路！
配套大模型项目实战
所有视频教程所涉及的实战项目和项目源码等
博主介绍＋AI项目案例集锦
MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
为什么要学习大模型？
2025人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。
适合人群
- 在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
- IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
- IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
- 传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。
课程精彩瞬间
大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。
RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。
Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。
模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。
顶尖师资，深耕AI大模型前沿技术
实战专家亲授，让你少走弯路
一对一学习规划，职业生涯指导
- 真实商业项目实训
- 大厂绿色直通车
人才库优秀学员参与真实商业项目实训
以商业交付标准作为学习标准，具备真实大模型项目实践操作经验可写入简历，支持项目背调
大厂绿色直通车，冲击行业高薪岗位
文中涉及到的完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
更多推荐
14
0- 0
已为社区贡献159条内容
所有评论(0)