AI检索增强生成引擎-RAGFlow-深度理解知识文档，提取真知灼见

💡 RAGFlow 是什么？

RAGFlow是一款基于深度文档理解构建的开源RAG（Retrieval-Augmented Generation）引擎。RAGFlow个人可以为各种规模的企业及提供一套专业的RAG工作流程，结合针对用户群体的大语言模型（LLM）不同的复杂格式数据提供可靠的问答以及有理有据的引用。

开源地址

https://github.com/infiniflow/ragflow/https://ragflow.io/

🌟主要功能

• 基于深度文档理解，能够从各种复杂格式的非重构数据中提取真知灼见。
• 真正在无限上下文（代币）的场景接下来完成快速大海捞针测试。

最大程度降低幻觉（幻觉）

• 文本切片过程可视化，支持手动调整。
• 有理有据：答案提供了快照的关键引用并支持追根溯源。

🍔兼容多种数据源

• 支持丰富的文件类型，包括Word文档、PPT、excel表格、txt文件、图片、PDF、影印件、格式、格式化数据、网页等。

🛀全程无忧、自动化的RAG工作流程

• 全面优化的RAG工作流程可以支持从个人应用其实超大型企业的群体生态系统。
• 大语言模型LLM以及提供模型均支持配置。
• 基于多路召回、融合重排序。
• 提供易用的API，可以轻松集成到各类企业系统。

🔎系统架构

🎬快速开始

📝 前提条件

• CPU >= 4 核
• 内存 >= 12 GB
• Docker >= 24.0.0 & Docker Compose >= v2.26.1
• 如果您并没有在本机安装 Docker（Windows、Mac，或者 Linux），可以参考文档安装 Docker Engine自行安装。

🚀启动服务器

确认vm.max_map_count的大小：$ sysctl vm.max_map_count如果vm.max_map_count的值小于262144，可以进行重置：# 这里我们设为 262144:
$ sudo sysctl -w vm.max_map_count=262144你的初始化会在下次系统重启时被重置。如果希望做永久保存，还需要在/etc/sysctl.conf文件里把vm.max_map_count的值再相应更新一遍：vm.max_map_count=262144克隆仓库：$ git clone https://github.com/infiniflow/ragflow.git进入docker文件夹，利用提前编译好的Docker镜像启动服务器：$ cd ragflow/docker
$ chmod +x ./entrypoint.sh
$ docker compose -f docker-compose-CN.yml up -d核心镜像文件大约15GB，可能需要一定时间提取。请等待。服务器启动成功后再次确认服务器状态：$ docker logs -f ragflow-server出现以下界面提示说明服务器启动成功： ____ ______ __
/ __ \ ____ _ ____ _ / // / _ __
/ // // __ // __ // / / // __ | | /| / /
/ , // // // // // / / // // /| |/ |/ /
// || _,/ _, /// // __/ |/|/
/____/

• Running on all addresses (0.0.0.0)
• Running on http://127.0.0.1:9380
• Running on http://x.x.x.x:9380
  INFO:werkzeug:Press CTRL+C to quit在你的浏览器中输入你的服务器的IP地址并登录RAGFlow。

1. 上面这个例子中，您只需输入 http://IP_OF_YOUR_MACHINE 即可：未配置过配置则消耗输入端口（默认的 HTTP 服务端口 80）。
2. 在service_conf.yaml文件的user_default_llm栏配置LLM工厂，并在API_KEY栏填写和你选择的大模型相对应的API密钥。
3. 好戏开始，接着奏乐接着舞！

🛠️ 源码编译、安装 Docker 镜像

$ git clone https://github.com/infiniflow/ragflow.git
$ cd ragflow/
$ docker build -t infiniflow/ragflow:v0.3.0 .
$ cd ragflow/docker
$ chmod +x ./entrypoint.sh
$ docker compose up -d