项目简介

RAGFlow是一个开源的RAG引擎，专注于深入的文档理解。该项目提供了一个简化的RAG工作流，适用于各种规模的企业，通过结合使用大型语言模型（LLM）来提供基于严谨引用的真实问答能力。支持处理各种复杂格式的非结构化数据，包括文本、图片、扫描副本、结构化数据和网页等。

此外，RAGFlow还具备自动化和易于配置的特点，能够与商业系统无缝集成，提高数据处理和分析的效率。

主要特点

·基于深度文档理解的非结构化数据知识提取，处理复杂格式数据。 

·在包含无限符号的数据“干草堆”中寻找“针”。

·智能化且可解释性强。 

·提供众多模板选项。

·可视化文本分块，支持人工干预。 

·快速查看关键参考资料和可追踪引用以支持有根据的回答。

·支持Word、幻灯片、Excel、txt、图片、扫描副本、结构化数据、网页等。

·为个人和大型企业量身定制的RAG流程管理。 

·可配置的大型语言模型和嵌入模型。 

·多重召回配合融合重排。 

·直观的API，便于与商业系统无缝集成。

系统架构

使用

先决条件

·CPU >= 2 核

·内存 >= 8 GB

·Docker >= 24.0.0 & Docker Compose >= v2.26.1

1.要确保 vm.max_map_count 的值至少为 262144，你可以按照以下步骤操作：

·检查当前值：在终端运行 sysctl vm.max_map_count 来查看当前设置。

·          

$ sysctl vm.max_map_count

·重置值：如果值低于 262144，运行 sudo sysctl -w vm.max_map_count=262144 来临时更改它。

·          

·          

# In this case, we set it to 262144:

$ sudo sysctl -w vm.max_map_count=262144

·永久设置：为了确保重启后设置不变，需要将 vm.max_map_count=262144 添加到 /etc/sysctl.conf 文件中。

·          

vm.max_map_count=262144

2.克隆所需的存储库

·          

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

3.构建预构建的Docker镜像，并启动服务器

·          

·          

·          

$ cd ragflow/docker

$ chmod +x ./entrypoint.sh

$ docker compose up -d

核心映像大小约为 9 GB，可能需要一段时间才能加载。

4.动后，检查服务器状态以确认系统已成功启动。

以下输出确认系统已成功启动

·          

5.在你的网络浏览器中，输入你的服务器 IP 地址并登录到 RAGFlow。

在给定场景中，你只需输入 http://IP_OF_YOUR_MACHINE（无需端口号）即可，因为使用默认配置时可以省略默认的 HTTP 服务端口 80。

6.在 service_conf.yaml 中，选择所需的 LLM 工厂在 user_default_llm 中，并用相应的 API 密钥更新 API_KEY 字段。

配置

1.在处理系统配置时，您需要管理以下文件：

·.env：存储系统的基本设置，如 SVR_HTTP_PORT、MYSQL_PASSWORD 和 MINIO_PASSWORD。

·service_conf.yaml：配置后端服务。

·docker-compose.yml：系统依赖此文件启动。

2.必须确保 .env 文件中的更改与 service_conf.yaml 文件中的设置相符。

./docker/README 文件详细描述了环境设置和服务配置，您需要确保所有在 ./docker/README 文件中列出的环境设置与 service_conf.yaml 文件中的相应配置保持一致。

3.若需更新默认的 HTTP 服务端口（80），请在 docker-compose.yml 中将 80:80 更改为:80。

所有系统配置的更新都需要重启系统才能生效。

·          

$ docker-compose up -d

从源代码构建

从源代码构建 Docker 镜像：

·          

出自：https://mp.weixin.qq.com/s/750NEL_deXIporX4GN-OFA