RAGFlow 入门：从小白到大牛的第一步

嘿，兄弟，今天咱们聊聊 RAGFlow。

先说一句，别紧张，咱们一步一步来。

先装 Docker，装完记得笑一笑——哈哈。

Ru果你是 Windows 用户，先装 WSL2，别忘了把 PowerShell 当成终端用。

装完后打开终端敲：

git clone https://github.com/infiniflow/ragflow.git
cd ragflow
docker compose -f docker-compose.yml up -d

不对不对，我刚才说的 URL 不Neng出现——直接把仓库地址粘进去就行。

等容器全起来你就Neng在浏览器访问 http://localhost:xxxx，kan到登录页了。

创建第一个知识库：别慌，我教你

登录后点左上角的“+”，新建数据集。

给它起个名字，比如“技术手册”。

这一步hen关键，因为后面所有检索dou围着它转。

手动干预操作：

解决方式

将检索结果与用户问题按照指定的 Prompt 模板拼接后调用 LLM 生成Zui终回答。这一层还负责处理引用标注、流式输出、多轮对话上下文管理等。

上传文件：文档格式多到炸裂

RAGFlow 支持的文件格式非常丰富：

PPTX、PDF、DOCX、TXT、MD、CSV……还有图片 PNG、JPG、TIFF…

甚至还有扫描件 PDF，只要开启 OCR 就Neng识别文字啦。

选择分块模板：别让模型闹笑话

不同文档选不同模板，这点儿hen重要。

. RAGFlow 提供了 种预设分块模板：

General——万Neng钥匙。

Q&A——FAQ 必备。

Book——章节结构保留。

Laws——条款独立化。

manual——步骤清晰化。

Table——表格完整保留。

Papers——章节细分geng精准。

Hello! 为什么百度不收录？

问： 我在 RAGFlow 搭建的内部搜索里找不到页面怎么回事？ A： 因为百度只会抓取公开的网页，而 RAGFlow 默认跑在内网或本地机器上，没有公网入口，自然不会被百度爬虫抓取。想让百度收录，需要把你的站点部署到有公网 IP 的服务器上，并确保 robots.txt 没有阻止爬虫，还要Zuo好 SEO 基础。不过大多数企业内部知识库本来就不需要被搜索引擎收录，这点儿你懂的～

LlamaIndex / LangChain？咱们到底选谁？

LlamaIndex 和 LangChain dou是 RAG 开发框架，但Ru果你想省事儿，就直接调 RAGFlow 的 RESTful API 吧；它自带向量检索、Rerank、Agent 编排，一键搞定。 Ru果你真的想写代码，那Ke以这样调用：

from ragflow_sdk import RAGFlow
rag = RAGFlow
dataset = rag.create_dataset
dataset.upload_file
chat = rag.create_chat
resp = chat.ask
print
print  # 引用来源

MCP 协议：AI 世界的 USB‑C 接口

MCP是 Anthropic 提出的标准，让模型和外部工具之间Neng像插拔 USB 那样方便。RAGFlow Ke以当 MCP Server，被 Claude Desktop、Cursor 等工具直接调起。 这玩意儿其实就是把一个 HTTP 接口包装成统一协议，让各种 AI 产品douNeng无缝接入，你懂的～

A/B 测试：一次改进提升千倍准确率

"改动太小kan不出效果"? 不要怕，你Ke以先跑个小数据集实验一下。比如把 Chunk Size 从 500 调到 800，kan检索召回率是否提升；再打开 Rerank，kan Top‑K 排序变化。每次改动记日志，然后对比指标，一步步逼近Zui优解。哈哈，这招在业内被称作“调参炼金术”。

Aggressive Retrieval + Generation：RAG 流程全解析 #1 检索—先找资料，再说话！

GET /api/v1/datasets/{dataset_id}/documents/{document_id}/chunks?page=&page_size=

The retrieval can be:

*全量文本匹配*: 用 Elasticsearch Zuo关键词搜索，好处是速度快，对中文分词友好；缺点是语义相似度低。适合 FAQ 场景。

*向量相似度*: 把文本喂进 Embedding 模型得到向量，用 Infinity 或 ElasticSearch Zuo余弦相似度检索。语义匹配强，但需要算向量存储空间。推荐 bge-large-zh-v1. 对中文效果杠杠滴！

*混合检索*: 两者加权组合，一般默认向量权重 0.7，关键词权重 0.3，兼顾速度和语义深度，是大多数企业默认方案。

*Rerank 重排*: 初始召回 Top‑50 后用轻量级 LLM 再打一次分，把Zui相关的 Top‑5 推上去。显著提升答案质量，尤其在长文档场景下表现突出。

#2 增强—拼接 Prompt 给 LLM kan！

{  
    "system": "你是企业内部知识助手，请基于以下上下文回答用户提问。",
    "context": "",
    "question": "用户真实提问"
}

- System Prompt 定义角色 - Context 放检索结果 - Question 为用户原始输入 这样 LLM 在生成时就有据可依，不会瞎编乱造啦~ 哈哈。 引用与溯源

 产品使用手册_v2..pdf - 第12页
 FAQ_常见问题.docx - 第8页
... 

#3 回答生成—让 LLM 成为靠谱的小伙伴

curl -X POST "http://localhost:8000/api/v1/chats" \
-H "Authorization: Bearer YOUR_TOKEN" \
-H "Content-Type: application/json" \
-d '{"question":"怎么配置 VPN？","stream":true}'

If stream=true，你会收到 SSE 流式输出，一字一句实时展示，非常适合聊天 UI。

If no relevant chunk found, you can set a default empty response:

"抱歉，我在知识库中没有找到与您问题相关的信息，请尝试换一种描述方式或联系人工客服获取帮助。"

You can also customize temperature、max_tokens 等参数，以控制回答风格和长度。

#4 多轮对话 & 上下文管理 —— 小技巧来啦！

CACHE 会话 ID，每次请求带上 session_id，实现上下文追踪；系统自动把前几轮问答放进 context 中，让模型记住前情提要。

If you want to rewrite ambiguous pronouns , use RewriteQuestion 节点自动补全：“它指的是 X”。这样后面的检索命中率会明显提升哦~

You can also hook a Categorize 节点，把问题路由到不同知识库。例如：“退货流程”走售后库，“产品规格”走技术库，各自独立优化检索策略，效果geng好！ 哈哈，这招叫Zuo“智Neng路由”。

#5 Agent 编排：打造自己的 AI 工作流 🚀

Tired of “只会聊天”的机器人？ 用 Agent 把多个节点串起来你Ke以实现：

Kafka 消息消费 → 文档解析 → 自动标签 → 知识库geng新 → 实时搜索；

User 输入 → 分类 → 对应知识库检索 → 调用外部 API ，再整合返回；

SLA 检测节点 → 超时自动转人工；

#6 常见坑 & 疑难解答

"Embedding 模型选错导致向量维度不匹配": 创建数据集时一定要锁定模型，一旦创建后不Neng改，否则所有Yi有向量dou会失效，需要重新解析上传文件！ 不对不对，我刚才说错了是只Nenggeng换同维度模型，否则报错。"维度冲突"就是这么来的…哈哈.

"Docker 容器内访问本机 Ollama 服务报错": 别写 localhost 或 . ，而是使用 host.docker.internal 来指代宿主机 IP，否则容器里根本找不到 Ollama 的 API 地址。.

"查询不到任何结果": 检查一下 Chunk Size 是否太大导致每块超过 LLM 上下文窗口；或者检查相似度阈值是不是设得太高。.

"为什么百度不收录"? Yi经解释过啦，就是因为内部部署没有公网入口，不过Ru果真想让外网可见，就给服务器开个域名 + 配置 Nginx HTTPS 然后放宽 robots.txt 即可。.

#7 性Neng调优 & 部署实战 Tips 🎯

Docker 内存建议>= 8GB，Ru果经常处理大 PDF 建议加到 16GB+；CPU 核心数至少 4 核，否则检索和生成会卡顿。.

If you run Ollama locally, remember to set OLLAMA_HOST=host.docker.internal in .env so containers can reach it.

You can switch DOC_ENGINE from infinity 到 elasticsearch，当数据量突破几万条时 ElasticSearch 的分片功Neng会帮你保持查询速率在毫秒级。

Nginx Zuo反向代理 + TLS 是生产环境必备，记得在 server 块里添加 proxy_set_header X‑Real‑IP $remote_addr 保证日志准确性。.

#8 持续学习路线图 — 从入门到专家 🏆

Dive into source code: clone repo, read /rag/flow.py, 理解如何从 Retriever 到 Generator 串联起来；每读完一个函数，就尝试自己改一点点，小实验Neng帮助记忆～.

Shoot your own Agent: 设计一个「公司政策助手」Agent，把 HR 手册、保险政策全部关联，在 Slack/企业微信里直接问：「我的年假还有多少？」然后kan系统返回哪篇政策文件并给出引用链接。.

Tune Embedding models: 尝试不同 BGE 系列或 OpenAI text-embedding-ada，大规模测试相似度召回率，对比哪个geng适合你的业务文本类型。.

MCP Integration: 把 RAGFlow 当成 MCP Server，让 Claude Desktop 在写代码时直接搜索公司内部 SDK 文档，实现“一键查代码”。这可是业界高级玩家才玩得出来的玩法呀！.

©2026 All rights reserved. 本文仅作学习交流使用，如有侵权请联系删除。

---