RAGFlow部署教程：10分钟搭企业级知识库

📘 AI教程 💬 🔥 Trending 发布者: leakey
RAGFlow部署教程：10分钟搭企业级知识库

🩺 摘要

开源的RAG方案试了一圈——LangChain太复杂、LlamaIndex文档看不懂、自己拼装又太慢。有没有一个开箱即用的？RAGFlow了解一下。

📝 详情

RAGFlow是什么

RAGFlow是InfiniFlow开源的企业级RAG引擎。它的卖点是： - 开箱即用，docker compose一键启动 - 中文支持好（DeepSeek/Qwen直接接入） - 文档解析能力强（PDF/表格/图片都能处理） - 有可视化界面，非技术人员也能用

GitHub上已有18000+星，社区活跃。

部署：直接上Docker

git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker
# 复制配置
cp .env.example .env
# 编辑.env，填上你的LLM API Key
vim .env
# 启动
docker compose up -d

打开 http://localhost:9380 就能看到登录界面。

接入大模型

RAGFlow支持多种LLM后端：

模型 配置方式 推荐场景
OpenAI 填API Key 海外用户
DeepSeek 填API Key 中文文档最佳
Ollama 本地地址 完全本地部署
通义千问 填API Key 国内阿里云用户

我个人推荐用DeepSeek——中文理解好、价格便宜（百万Token只要1块钱）。

上传文档测试

支持的格式：PDF、DOCX、Excel、TXT、Markdown、图片（OCR）。

上传后RAGFlow会自动： 1. 解析文档结构（标题层级自动识别） 2. 智能切分（按段落不是按字符数硬切） 3. 向量化存入内置向量库

API集成

RAGFlow还提供了REST API，可以集成到自己的应用里：

curl http://localhost:9380/api/v1/chat \
  -H "Authorization: Bearer YOUR_TOKEN" \
  -d '{"question": "公司今年的财务政策是什么？", "kb_id": "your_kb_id"}'

缺点

  • 界面有点丑（不如Dify好看）
  • 大规模文档（10万+）性能下降快
  • 中文文档质量一般，很多问题要靠GitHub Issues

但要说开箱即用的中文RAG，目前RAGFlow是最省心的选择。