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：
```
sudo sysctl -w vm.max_map_count=262144
```
*注意：此更改在系统重启后会失效。
永久设置：编辑 /etc/sysctl.conf 文件，添加或更新以下内容：
```
vm.max_map_count=262144
```
保存后执行以下命令使更改立即生效：
```
sudo sysctl -p
```
确认设置：
```
sysctl vm.max_map_count
```
输出应显示 262144 或更大。

3. 快速开始部署

3.1 克隆仓库

使用 Git 克隆 RAGFlow 官方仓库：

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

3.2 启动服务器

进入 docker 文件夹，利用提前编译好的 Docker 镜像启动服务器：

chmod +x ./entrypoint.sh
docker compose -f docker-compose-CN.yml up -d

注意：运行上述命令会自动下载 RAGFlow 的开发版本 Docker 镜像。如果你想下载并运行特定版本的 Docker 镜像，请在 docker/.env 文件中找到 RAGFLOW_VERSION 变量，将其改为对应版本。例如 RAGFLOW_VERSION=v0.11.0，然后重新运行上述命令。

镜像拉取提示：核心镜像文件大约 9 GB，可能需要一定时间拉取，请耐心等待。如果遇到网络问题，可参考相关镜像加速方案。

3.3 验证启动状态

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

如果跳过这一步系统确认步骤就登录 RAGFlow，浏览器可能会提示 network abnormal 或 网络异常，因为 RAGFlow 可能并未完全启动成功。

在你的浏览器中输入你的服务器对应的 IP 地址并登录 RAGFlow。

默认 HTTP 服务端口为 80，无需输入端口号。例如：http://IP_OF_YOUR_MACHINE

4. 配置大模型与 API Key

在登录后的管理后台中，需要配置连接的大模型服务。

进入设置 -> 模型工厂。
在 user_default_llm 栏配置 LLM factory（如 OpenAI, Azure, 本地部署模型等）。
在 API_KEY 栏填写和你选择的大模型相对应的 API key。
对于 GraphRAG 相关的向量模型，同样需要在相应模块进行配置。

具体配置细节请参考官方文档中的模型接入指南。

5. GraphRAG 知识库构建

GraphRAG 是 RAGFlow 的核心亮点之一，它通过构建知识图谱来增强检索能力，特别适用于需要理解实体间关系的复杂问答场景。

5.1 创建知识库

点击 知识库 菜单，选择 新建知识库。
选择 GraphRAG 模式作为索引策略。
上传文档（支持 PDF, Word, Excel, Markdown 等）。

5.2 解析策略配置

在文档上传后，需配置解析策略以优化图谱构建：

Chunking Strategy：选择适合文档结构的切片模板。对于包含大量实体关系的文档，建议使用基于段落或语义的切片方式。
Entity Extraction：启用实体抽取功能，系统将自动识别文档中的人名、地名、机构等实体。
Relation Extraction：启用关系抽取，建立实体之间的关联，形成知识子图。

5.3 检索与问答

配置完成后，即可在问答模块进行测试：

输入自然语言问题。
系统将通过向量检索结合图谱路径检索，返回更精准的答案。
答案下方会展示引用来源及图谱路径，方便验证信息的可靠性。

6. Agent 编排流体验

RAGFlow 支持 Agentic RAG，即基于工作流的智能体编排，允许将多个工具、模型和知识库串联起来。

6.1 创建工作流

进入 Agent 菜单，选择 新建工作流。
拖拽组件构建流程，例如：
- Start Node：接收用户输入。
- Knowledge Base Node：调用已配置的 GraphRAG 知识库。
- LLM Node：调用大模型生成回答。
- Condition Node：根据条件分支处理不同逻辑。
- End Node：输出最终结果。

6.2 医疗问诊模板示例

RAGFlow 内置了医疗问诊模板，可作为学习参考：

用户上传病历文档。
系统提取关键症状和诊断信息。
结合医学知识库进行推理。
输出初步建议。

7. 常见问题排查

7.1 资源不足问题

ES（Elasticsearch）会占用较多内存资源。如果发现服务不稳定或启动缓慢，建议调整 .env 文件中的内存限制。

修改 .env 文件，根据自己内存资源进行设置：

# Increase or decrease based on the available host memory (in bytes)
MEM_LIMIT=72864896288

*注：建议设置为物理内存的 70%-80%，避免影响宿主机其他服务。

7.2 网络异常

如果浏览器提示 network abnormal，请检查：

防火墙是否放行了相关端口。
Docker 容器是否完全启动（查看 docker logs）。
服务器安全组是否开放了 80 或 9380 端口。

7.3 镜像拉取失败

如果镜像拉取太慢，可尝试配置 Docker 镜像加速器，或使用国内镜像源替换默认地址。

8. 总结

RAGFlow 通过结合深度文档理解与 GraphRAG 技术，为企业提供了强大的多模态问答与 AI 编排能力。通过合理的系统配置、知识库构建及 Agent 工作流设计，用户可以快速搭建符合业务需求的智能应用。持续关注官方更新，获取最新的功能支持与优化建议。

RAGFlow 实现 GraphRAG 知识库多模态问答与 AI 编排流体验