GitHub 上 6 万人收藏！RAG 引擎让知识库活起来。

开源的强大 RAG 引擎。

刚刚逛 GitHub 的时候，发现了一个超火的开源项目。

RAGFlow 这个开源 RAG 引擎能让你的知识库活起来，现在已经获得了 60K 的 Star。

它是为个人或企业准备的 RAG 工作流神器。

RAG （检索增强生成）技术可以让 AI 大模型生成答案之前访问外部知识库，从而提高答案的相关性、准确性和时效性，并减少"幻觉"等问题。

公司里海量的文档、合同、报告堆在网盘或服务器里，想找点关键信息，要么大海捞针，要么问同事也说不清具体在哪份文件的哪一页。

RAGFlow 就是为了解决这些问题而生的。

01

项目简介

RAGFlow 是一个开源的、强大的 RAG 引擎。

简单来说，它能让 AI 大模型变得更懂你公司的内部资料，回答问题时不再是凭空想象，而是基于你上传的真实文件，并且能「有理有据」地告诉你答案是从哪来的。

输出准确答案的同时提供关键信息所在的原文，并且支持你点击溯源，直接定位到原始文档的具体位置。

这大大降低了 AI 瞎编乱造问题，让答案更可信。

① 深度理解复杂文档

不只是文本，它能读懂各种格式：Word, PPT, Excel, PDF（包括扫描件）、图片、网页、TXT等。

市面上常见的文档格式它都能处理。

就算你上传的是扫描的合同、带表格的报告，它也能努力从中提取有用的信息。这得益于它的「深度文档理解」能力。

而且它能把大文档切成更小的、有逻辑的「知识块」。更棒的是，这个过程你还能看到甚至手动调整，确保切分得合理，让后续的问答更精准。

下面这个图，就是 RAGFlow 整个工作流程。

② RAG 工作流

看上面这个图，RAGFlow 提供了一套几乎「全自动」的 RAG 工作流程，从个人使用到大型企业都能支持。

你可以自由选择搭配不同的大语言模型（比如 OpenAI GPT-4o, 百度文心一言，火山方舟，DeepSeek，百川等）和向量模型。

它经过了优化，即使你的知识库非常大（无限上下"），也能快速找到关键信息。

02

如何部署

RAGFlow 推荐使用 Docker 来部署，对硬件要求不算特别高：

CPU：至少 4 核、内存：至少 16 GB、硬盘：至少 50 GB、软件：Docker (>=24.0.0) 和 Docker Compose (>= v2.26.1)

部署步骤在 README 里写得很清楚：

① 确保系统设置：

调整一个叫 vm.max_map_count 的系统参数，不小于 262144：。

② 克隆代码：


git clone https://github.com/infiniflow/ragflow.git

③ 一键启动：

进入 docker 目录，运行 docker compose -f docker-compose-CN.yml up -d 命令。

它会自动下载镜像并启动所有需要的服务（包括数据库、向量库等）。

④ 等待启动完成：

 用 docker logs 命令查看日志，看到服务器成功启动的提示。

⑤ 登录配置：

在浏览器访问你的服务器 IP，首次登录后，需要在配置文件里填入你选择的大模型（如 OpenAI）的 API Key。

⑥ 开用：上传文档，开始智能问答吧。

03

都看到这了，关注下吧。

这个公众号历史发布过很多有趣的开源项目，如果你懒得翻文章一个个找，你直接关注微信公众号：逛逛 GitHub ，后台对话聊天就行了。

#逛逛GitHub #开源 #GitHub #AI开源项目