RAGFlow 实现 GraphRAG 知识库多模态问答与 AI 编排流体验
1. RAGFlow 简介
RAGFlow 是一款基于深度文档理解的开源 RAG（Retrieval-Augmented Generation）引擎。它旨在解决传统 RAG 系统在处理复杂非结构化数据时的局限性，通过引入 GraphRAG（基于知识图谱的检索增强生成）技术，显著提升检索的准确性和可解释性。
核心特性
'Quality in, quality out'
- 深度文档理解：能够从各类复杂格式的非结构化数据中提取真知灼见，不仅仅是简单的文本切片。
- 无限上下文支持：真正在长上下文（Long Context）场景下快速完成大海捞针测试，确保关键信息不丢失。
基于模板的文本切片
- 可控可解释：不仅仅是智能，更重要的是可控。提供多种文本模板供用户选择，适应不同文档结构。
- 可视化调整：文本切片过程可视化，支持手动调整切片边界，优化检索效果。
降低幻觉（Hallucination）
- 有理有据：答案提供关键引用的快照并支持追根溯源，减少大模型幻觉问题。
- GraphRAG 支持：启发于知识图谱和思维导图，利用实体关系增强检索逻辑。
兼容各类异构数据源
- 丰富文件类型：支持 Word 文档、PPT、Excel 表格、txt 文件、图片、PDF、影印件、复印件、结构化数据、网页等。
- 多模态解析：支持解析音频文件，Q&A 解析方式支持 Markdown 文件和 Docx 文件，支持提取 Docx 中的图片和 Markdown 中的表格。
自动化的 RAG 工作流
- 企业级架构：全面优化的 RAG 工作流可以支持从个人应用乃至超大型企业的各类生态系统。
- 灵活配置：大语言模型 LLM 以及向量模型均支持配置，支持多路召回、融合重排序。
- API 集成：提供易用的 API，可以轻松集成到各类企业系统。
2. 环境要求与准备
在开始部署之前，请确保服务器满足以下最低硬件和软件要求：
- CPU：>= 4 核
- RAM：>= 16 GB（建议 32GB 以上以获得更好的性能）
- Disk：>= 50 GB（根据知识库大小预留空间）
- Docker：>= 24.0.0
- Docker Compose：>= v2.26.1
如果本机未安装 Docker，请参考官方文档自行安装。
2.1 系统参数优化
vm.max_map_count是 Linux 内核中的一个重要参数，它定义了一个进程可以拥有的最大内存映射区域数。RAGFlow 依赖 Elasticsearch 进行数据存储和检索，该服务对内存映射有较高需求。
- 性能优化：增加
vm.max_map_count的值，允许应用程序创建更多的内存映射区域，从而提高性能和效率。 - 稳定性保障：如果超过限制，可能导致映射失败，引发性能问题或直接导致应用程序崩溃。
设置方法
-
临时设置：
