- 综合排序
- 最热优先
- 最新优先
- 来自专栏轩辕镜像
🚀 Docker 部署 RAGFlow 全流程教程
RAGFlow 简介RAGFlow 是开源的下一代 RAG（Retrieval-Augmented Generation）系统，它结合了搜索引擎（向量数据库/Elasticsearch/Infinity 3、下载 RAGFlow 镜像3.1 使用轩辕镜像拉取（推荐）docker pull docker.xuanyuan.run/infiniflow/ragflow:v0.15.0-slim3.2 拉取后改名 /ragflow:v0.15.0-slim infiniflow/ragflow:v0.15.0-slim \&& docker rmi docker.xuanyuan.run/infiniflow/ragflow 4、启动 RAGFlow4.1 克隆官方仓库git clone https://github.com/infiniflow/ragflow.gitcd ragflow 为什么需要克隆官方仓库？ 结尾至此，你已经完成了 RAGFlow 的 Docker 部署！
4.7K21编辑于 2025-10-24 - 来自专栏周拱壹卒
内网环境在 RAGFlow 中使用 MinerU
本文可作为 使用教程：如何在 RAGFlow 中使用 MinerU[1] 的补充，介绍如何在内网环境下配置 MinerU 解析器以供 RAGFlow 使用。 前提假设 已通过 docker 的形式在内网环境部署 RagFlow RAGFlow 版本 >= v0.21.1 有内网环境 pip 源 安装 MinerU 更新 .env 文件 在 .env[2] 文件中添加如下内容 /volume/.venv:/ragflow/uv_tools/.venv env_file: .env networks: - ragflow 重建 ragflow-cpu 容器 在 ragflow/docker[6] 路径下执行： $ docker compose down ragflow-cpu $ docker compose up -d ragflow-cpu 安装 MinerU 通过 docker exec -ti docker-ragflow-cpu-1 bash 进入容器执行安装： $ pwd /ragflow $ cd uv_tools $ uv venv
53310编辑于 2026-03-16 - 来自专栏JadePeng的技术博客
深度解读RAGFlow的深度文档理解DeepDoc
4 月 1 日，Infinity宣布端到端 RAG 解决方案 RAGFlow 开源，仅一天收获上千颗星，到底有何魅力？ 我们来安装体验并从代码层面来分析看看。 安装体验 服务器需要有docker，或者直接访问官方提供的demo： https://demo.ragflow.io/ docker-compose安装 需要确保 vm.max_map_count 不小于 262144 【更多】： sysctl -w vm.max_map_count=262144 克隆仓库： $ git clone https://github.com/infiniflow/ragflow.git 体验 启动成功后，浏览器输入 http://服务器ip 或者直接访问官方demo https://demo.ragflow.io/ 注册登录，进入后可以创建知识库，然后上传文档。 DeepDoc 介绍 DeepDoc 是 RAGFlow 的核心组件，它利用视觉信息和解析技术，对文档进行深度理解，提取文本、表格和图像等信息。
17K45编辑于 2024-04-10 - 来自专栏山行AI
RAGFlow-一款开源的RAG引擎
RAGFlow 是什么？ RAGFlow[1] 是一款基于深度文档理解构建的开源 RAG（Retrieval-Augmented Generation）引擎。 1.服务器启动成功后再次确认服务器状态： $ docker logs -f ragflow-server 1.在你的浏览器中输入你的服务器对应的 IP 地址并登录 RAGFlow。 $ cd ragflow/$ docker build -t infiniflow/ragflow:v0.2.0 . $ cd ragflow/docker$ chmod +x . ://demo.ragflow.io/ [2] 深度文档理解: https://github.com/infiniflow/ragflow/blob/main/deepdoc/README.md [3] [22] FAQ: https://github.com/infiniflow/ragflow/blob/main/docs/faq.md [23] RAGFlow Roadmap 2024: https
11.7K21编辑于 2024-04-18 - 来自专栏Lcry个人博客
RAGFlow 开源检索增强 AI 知识库部署教程
使用过 dify 和 fastgpt 的产品大家都知道还有一款增强 RAG 平台 RAGFlow，博主早在 2023 年 AI 盛行的时候就调研过这款产品，现在已经 2025 年，截止目前最新版本已经来到了 0.22.1了，为什么一直没有选用这款产品最大的特点就是吃内存，给人一种非常卡顿，相比 dify 和 fastgpt 平台 4c8h 的配置都能流畅使用来说，劝退大家的还是资源占用问题，但是最近刚好有接到部署 RAGFlow 介绍 RAGFlow 是一个领先的开源检索增强生成（RAG）引擎，将前沿的 RAG 与代理能力融合，为大型语言模型创建了更优越的上下文层。它提供了一套精简的 RAG 工作流程，适用于任何规模的企业。 RAGFlow 依靠融合上下文引擎和预构建的代理模板，使开发者能够高效且精准地将复杂数据转化为高保真、生产准备的 AI 系统。 up -d docker logs -f docker-ragflow-cpu-1 最后等待日志输出如下图案则可以访问服务器IP:80即可。
1.1K10编辑于 2026-01-09 - 来自专栏人工智能领域
探索RAGFlow：解锁生成式AI的无限潜能（26）
1.RAGFlow 是什么 1.1 RAGFlow 的定义 RAGFlow 是一种融合了数据检索与生成式模型的新型系统架构，其核心思想在于将大规模检索系统与先进的生成式模型（如 Transformer、 验证服务状态 ：通过 docker ps 命令查看是否成功启动 ragflow-server、ragflow-es-01、ragflow-mysql、ragflow-minio 四个容器，也可使用 docker 4.RAGFlow 的应用场景 4.1 智能客服与虚拟助理 在电商领域，RAGFlow 为智能客服带来了革命性的变革。 而借助 RAGFlow，这一过程变得高效而准确 。RAGFlow 可以从企业的财务系统、销售数据库、市场调研报告等多个数据源中检索相关信息 。 8.总结 8.1 回顾 RAGFlow 的关键要点 RAGFlow 作为生成式 AI 领域的创新技术，展现出了强大的功能和独特的优势 。
2.6K10编辑于 2025-06-16 - 来自专栏有文化的技术人
GraphRAG 知识图谱在 RagFlow 中的实现
1 模块概述 GraphRAG 是 RagFlow 的知识图谱增强检索模块，通过构建实体-关系图谱来增强传统 RAG 的检索能力。该模块位于 graphrag/ 目录下。 def get_llm_cache(model_name, system, history, gen_conf): """缓存 LLM 调用结果""" pass 10 小结 本章介绍了 RagFlow
12610编辑于 2026-04-09 ragflow部署安装mac版本#腾讯技术创作特训营S12#AI进化论#项目实战
ragflow部署安装#腾讯技术创作特训营S12#AI进化论一:ollama安装,自行完成,我本地已安装二:查看大模型情况:命令ollama list,我本地无ragflow三:docker安装:命令docker version ,自行完成,我本地已安装四:安装知识库软件ragflow:简单科普下Ragflow 是一个基于深度学习模型的问答生成工具，旨在为用户提供上下文相关的问题答案。 `为你的Ragflow项目的GitHub仓库地址。 克隆Ragflow的GitHub仓库： ```bash git clone https://github.com/your-ragflow-repository cd your-ragflow-repository 启动Ragflow服务： ```bash python -c "from ragflow import serve; serve.run()"### **第五步：访问Ragflow API**1.
2K10编辑于 2025-03-10- 来自专栏福大大架构师每日一题
ragflow v0.21.1 发布：功能更新与优化详解
发布时间：2025年10月23日 ragflow v0.21.1 版本正式发布，本次版本对功能、性能、文档和界面等多个方面进行了更新和优化，涵盖了模型支持、解析器能力、知识库管理、界面交互以及开发工具等 • 架构图与 ragflow-cli 版本更新。 总结 代码地址：github.com/infiniflow/ragflow ragflow v0.21.1 是一次功能与稳定性双提升的重要版本，特别是在多模态解析、知识库管理、管道可视化以及管理端能力方面均有明显升级 对于使用 RAGFlow 进行知识检索、文档解析及智能应用构建的开发者来说，该版本的更新值得尽快升级体验。 我们相信人工智能为普通人提供了一种“增强工具”，并致力于分享全方位的AI知识。
62910编辑于 2025-12-18 - 来自专栏Datawhale专栏
dify v0.15.3外挂ragflow知识库，保姆级教程来了！
Datawhale干货 作者：张龙斐，Datawhale鲸英助教 上一次我们学习了如何部署ragflow，本次我们学习如何使用ragflow+dify搭建本地问答系统。 为什么要和dify结合呢，是因为dify的智能体功能非常强大，ragflow中虽然有类似的功能，但是并没有dify那么强大；但是ragflow可以解决dify解析和检索短板。 对应的，ragflow的资源消耗比较大，大家可以注意一下！ 最后，如果大家有疑问和建议非常欢迎批评指正！ 当然这里也可以命名为ragflow服务docker compose -p ragflow up -d 搭建本地问答系统 创建ragflow知识库+ragflow api 这里我们可以继续选择使用deepseek 输入网址：localhost:8080 打开ragflow界面，填入注册的账号和密码登录。
7.8K20编辑于 2025-04-02 - 来自专栏Datawhale专栏
DeepSeek接入个人知识库，保姆级教程来了！
先看效果： ragflow 简介： RAGFlow 是一款基于深度文档理解的开源检索增强生成（Retrieval-Augmented Generation，RAG）引擎，旨在通过结合信息检索和生成式 /infiniflow/ragflow.git 点击回车就可以看到多了一个文件夹 ragflow 由于默认配置版本是没有 embedding 模型的，所以我们修改配置为完整版。 最后我们输入docker logs -f ragflow-server，出现 RAGFLOW 字体就代表后端服务启动成功了。 之后点击登录就可以使用ragflow了。 启动 ragflow 程序： 打开 docker 软件，按下 win+R 打开 powershell，输入docker logs -f ragflow-server回车，就启动了后端服务了。！！
3.8K21编辑于 2025-02-26 - 来自专栏福大大架构师每日一题
ragflow v0.19.0震撼发布！跨语言搜索、全新Agent代码组件、图像直显功能全面升级！
本文将从核心新特性、功能优化、社区贡献、应用场景切入，深度剖析该版本升级亮点，带你全面了解Ragflow v0.19.0的技术魅力和未来价值！ 二、Ragflow v0.19.0核心新特性详解 1. Ragflow内部通过调用底层多语言模型，将中文和英文内容统一映射到向量空间，进而实现中英文无缝匹配。 Ragflow支持即插即用这两款新模型，帮助企业利用最新的人工智能技术快速搭建智能助手、知识问答、客服等服务，保持竞争领先。 : https://github.com/infiniflow/ragflow
2.7K20编辑于 2025-05-26 部署Docker&使用Docker在OpenEuler服务器配置RAGFlow
在 Docker 中运行，则 localhost 在 RAGFlow Docker 容器内将映射为 host.docker.internal。 容器内部访问 Ollama： $ sudo docker exec -it ragflow-server bash $ curl http://host.docker.internal:11434/ > Ollama is running 如果 RAGFlow 是从源代码启动的，并且 Ollama 与 RAGFlow 在同一台主机上运行，请检查是否可以从 RAGFlow 的主机访问 Ollama 0.0s ✔ Container ragflow-server Started 查看状态docker ps -a --format "table {{.ID}}\t{{.Status}}\t{{ /ragflow:v0.18.0 也没有对应的镜像源来提供下载，需要在openEuler这个系统上使用源码来构建....
1.7K10编辑于 2025-06-04- 来自专栏星哥的AI自留地
下一代开源 RAG 引擎，让你的 AI 检索与推理能力直接起飞
一、RAGFlow 是什么？RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，通过融合前沿的 RAG 技术与 Agent 能力，为大型语言模型提供卓越的上下文层。 二、安装RAGFlow系统：Linux1. 安装步骤# 克隆仓库git clone https://github.com/infiniflow/ragflow.gitcd ragflow/docker# 启动服务（CPU 版本）docker compose 访问服务浏览器访问 IP+端口号，即可进入 RAGFlow 管理界面。 参考：- [RAGFlow 官方 GitHub 仓库](https://github.com/infiniflow/ragflow)- [RAGFlow 在线 Demo](https://demo.ragflow.io
69311编辑于 2025-09-09 - 来自专栏TopFE
一体化单点注册与登录解决方案：基于Ragflow与毕昇的创新产品原型
一体化单点注册与登录解决方案：基于Ragflow与毕昇的创新产品原型 在当前数字化转型的大潮中，企业对于系统集成的需求日益增长。 用户只需一次注册，便可同时在三个系统中生成用户账号；同样，一次登录操作即可在 Ragflow、毕昇和业务系统中完成统一授权，获取所有需要的授权令牌。 产品的核心功能 单点注册： 用户在业务系统中注册时，会自动在 Ragflow 和 毕昇 中创建相应的用户账号。 无需多次填写信息，注册完成后会返回包括业务系统、Ragflow 和毕昇的所有注册信息。 结语 通过将 Ragflow 和 毕昇 两大开源项目的强大功能集成到一个业务系统中，我们为用户提供了极致的便利与高效的解决方案。
1.5K10编辑于 2024-10-15 - 来自专栏希里安
深度解锁AI私有知识库：用 DeepSeek 和 RAGFlow 打造企业级智能平台
RAGFlow可以Docker运行，部署非常简单。 比如，你可以通过设置 RAGFLOW_IMAGE=infiniflow/ragflow:v0.16.0 来下载 RAGFlow 镜像的 v0.16.0 完整发行版。 步骤5：登录并配置RAGFlow 1. 登录： 2. 检查Ollama状态： 步骤6：整合RAGFlow与DeepSeek 1. 连接RAGFlow与DeepSeek：在RAGFlow的配置界面中，找到“模型提供商”设置项，将DeepSeek的API地址填入RAGFlow中。 上传文件：向RAGFlow中添加新的文档，扩展知识库的内容。RAGFlow会自动更新向量索引，以确保信息检索的准确性。 2.
3.2K00编辑于 2025-03-31 【RuoYi-SpringBoot3-Pro】：AI 能力再再扩展，打通 RAGFlow 知识库和 Dify 应用平台
【RuoYi-SpringBoot3-Pro】：AI能力再再扩展，打通RAGFlow知识库和Dify应用平台一、打通RAGFlow知识库RAGFlow是一款专业的RAG引擎，提供数据集管理、文档处理、块管理和检索增强对话功能 想了解更多的小伙伴可以看看【AI工具箱】RAGFlow：打造私有的专业知识库。 展开代码语言：JavaAI代码解释//创建数据集ragflow.createDataset("test_dataset");//列出数据集ragflow.listDatasets(1,30,"create_time 展开代码语言：JavaAI代码解释//上传文档ragflow.uploadDocuments(datasetId,List.of(file));//解析文档ragflow.parseDocuments( 展开代码语言：JavaAI代码解释//添加块ragflow.addChunk(datasetId,documentId,"这是块内容");//检索ragflow.retrieveChunks("问题",
19310编辑于 2026-03-28- 来自专栏AI SPPECH
RAGFlow：2025年新一代RAG框架的技术革新与实践
5.3 局限性 目前RAGFlow仍存在一些局限性： 模型资源需求高：RAGFlow依赖于多个大型AI模型，需要大量的计算资源 配置复杂度高：对于初学者来说，配置和优化RAGFlow可能需要一定的技术知识 参考链接： GitHub RAGFlow项目主页：RAGFlow项目的官方代码仓库和文档 RAGFlow技术白皮书：详细介绍RAGFlow的架构和技术原理 2025年RAG技术发展报告：深入解析2025 （Appendix）： A.1 RAGFlow环境配置 # 克隆仓库 git clone https://github.com/RAGFlow/RAGFlow.git cd RAGFlow # 创建虚拟环境 /config.yaml" export RAGFLOW_API_KEY="your-api-key" export RAGFLOW_LOG_LEVEL="INFO" # 启动RAGFlow服务 python -m ragflow serve A.2 快速入门示例 # 导入RAGFlow from ragflow import RAGFlow # 初始化RAGFlow ragflow = RAGFlow(
95610编辑于 2026-01-01 - 来自专栏福大大架构师每日一题
ragflow v0.19.1全面升级：性能优化与新特性深度解析
一、版本概览 RAGFlow作为开源智能文档处理框架的最新版本v0.19.1已于2025年6月正式发布。本次更新聚焦三大核心方向：系统稳定性增强、算法性能优化以及AI能力扩展。 迁移步骤： . # 新版SDK初始化示例 from ragflow import RAGFlow rf = RAGFlow( embedding_model="qwen3", reranker WASM边缘计算部署 RAGFlow v0.19.1通过这146项代码变更和37个新特性，显著提升了企业在复杂文档智能处理场景下的生产效率。建议所有用户升级至该版本以获得最佳性能和安全性体验。
2.2K10编辑于 2025-06-23 RAGFlow+TextIn：RAG实战教程！1分钟实现解析性能提升
对于高专业性或企业级的知识问答应用，RAGFlow是各个开发团队的常用框架，它提供的工具链简化了从知识库搭建、向量检索到生成的RAG流水线开发。 如何在RAGFlow基础上实现性能优化，也成为大家关注的课题。从RAG链路出发，首要关键因素即是文档解析的质量。 API导入RAGFlow知识库。 可以在导入后使用RAGFlow分块策略，也可自行完成Chunking后输入知识库。 首先，我们需要厘清Ragflow的解析分块过程。
2.5K12编辑于 2025-08-26
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号