RAGFlow

by InfiniFlow · OpenAI, локальные модели, множество форматов документов

переведено ИИ

<a href="https://x.com/intent/follow?screen_name=infiniflowai" target="_blank">

Облачный сервис | Документация | Дорожная карта | Discord

RAGFlow в GitHub Octoverse

📕 Содержание

💡 Что такое RAGFlow?
🎮 Начало работы
🔥 Последние обновления
🌟 Основные возможности
🔎 Системная архитектура
🎬 Самостоятельный хостинг
🔧 Конфигурации
🔧 Сборка Docker-образа
🔨 Запуск службы из исходного кода для разработки
📚 Документация
📜 Дорожная карта
🏄 Сообщество
🙌 Участие в проекте

💡 Что такое RAGFlow?

RAGFlow — это ведущий открытый движок генерации с расширенным поиском (RAG), который объединяет передовые технологии RAG с возможностями Агентов для создания превосходного контекстного слоя для больших языковых моделей (LLM). Он предлагает оптимизированный рабочий процесс RAG, адаптируемый для предприятий любого масштаба. Основанный на конвергентном контекстном движке и готовых шаблонах агентов, RAGFlow позволяет разработчикам эффективно и точно превращать сложные данные в высокоточные, готовые к эксплуатации ИИ-системы.

🎮 Начало работы

Попробуйте наш облачный сервис по адресу https://cloud.ragflow.io.

Демонстрация разбиения на фрагменты Демонстрация агентного рабочего процесса

🔥 Последние обновления

2026-06-15 Поддержка множества каналов чатов, таких как Feishu, Discord, Telegram, Line и др.
2026-04-24 Поддержка DeepSeek v4.
2026-03-24 Навык RAGFlow в OpenClaw — Предоставляет официальный навык для доступа к наборам данных RAGFlow через OpenClaw.
2025-12-26 Поддержка «Памяти» для ИИ-агента.
2025-11-19 Поддержка Gemini 3 Pro.
2025-11-12 Поддержка синхронизации данных из Confluence, S3, Notion, Discord, Google Drive.
2025-10-23 Поддержка MinerU и Docling как методов парсинга документов.
2025-10-15 Поддержка управляемого пайплайна загрузки данных.
2025-08-08 Поддержка новейших моделей GPT-5 от OpenAI.
2025-08-01 Поддержка агентного рабочего процесса и MCP.
2025-05-23 Добавлен компонент-исполнитель кода Python/JavaScript в Агент.
2025-03-19 Поддержка использования мультимодальной модели для извлечения информации из изображений в файлах PDF или DOCX.

🎉 Следите за обновлениями

⭐️ Поставьте звезду нашему репозиторию, чтобы быть в курсе всех новинок и улучшений! Получайте мгновенные уведомления о новых релизах! 🌟

Обновления возможностей RAGFlow

🌟 Основные возможности

🍭 «Качественный вход — качественный выход»

Глубокое понимание документов для извлечения знаний из неструктурированных данных со сложными форматами.
Находит «иголку в стоге данных» практически неограниченного объёма.

🱱 Разбиение на фрагменты на основе шаблонов

Интеллектуально и объяснимо.
Большой выбор шаблонов для разбиения.

🌱 Обоснованные цитирования с уменьшением галлюцинаций

Визуализация разбиения текста с возможностью ручного вмешательства.
Быстрый просмотр ключевых ссылок и отслеживаемые цитирования для поддержки обоснованных ответов.

🍔 Совместимость с гетерогенными источниками данных

Поддержка Word, Slides, Excel, TXT, изображений, сканированных копий, структурированных данных, веб-страниц и многого другого.

🛀 Автоматизированный и простой рабочий процесс RAG

Оптимизированная оркестрация RAG, адаптированная как для индивидуальных, так и для крупных бизнес-задач.
Настраиваемые LLM и модели эмбеддингов.
Множественное извлечение с комбинированным переранжированием.
Интуитивно понятные API для бесшовной интеграции с бизнесом.

🔎 Системная архитектура

Системная архитектура RAGFlow

🎬 Самостоятельный хостинг

📝 Предварительные требования

CPU >= 4 ядра
ОЗУ >= 16 ГБ
Диск >= 50 ГБ
Docker >= 24.0.0 & Docker Compose >= v2.26.1
Python >= 3.13
gVisor: Требуется только в том случае, если вы планируете использовать функцию исполнителя кода (песочницы) в RAGFlow.

[!TIP] Если вы не установили Docker на локальной машине (Windows, Mac или Linux), ознакомьтесь с инструкцией Установка Docker Engine.

🚀 Запуск сервера

Убедитесь, что vm.max_map_count >= 262144:

Чтобы проверить значение vm.max_map_count:

bash sysctl vm.max_map_count

Если значение не достигает 262144, установите его на значение не менее 262144.

```bash

В этом случае мы устанавливаем его в 262144:

   > sudo sysctl -w vm.max_map_count=262144
   > ```
   >
   > Это изменение будет сброшено после перезагрузки системы. Чтобы оно сохранилось навсегда, добавьте или обновите
   > значение `vm.max_map_count` в файле **/etc/sysctl.conf**:
   >
   > ```bash
   > vm.max_map_count=262144
   > ```
   >
2. Клонируйте репозиторий:

   ```bash
   git clone https://github.com/infiniflow/ragflow.git
   ```
3. Запустите сервер, используя предварительно собранные Docker-образы:

> [!CAUTION]
> Все Docker-образы собраны для платформ x86. В настоящее время мы не предоставляем Docker-образы для ARM64.
> Если вы используете платформу ARM64, следуйте [этому руководству](https://ragflow.io/docs/dev/build_docker_image), чтобы собрать Docker-образ, совместимый с вашей системой.

> Следующая команда скачивает образ RAGFlow версии `v0.26.4`. Смотрите следующую таблицу с описанием различных редакций RAGFlow. Чтобы скачать редакцию, отличную от `v0.26.4`, обновите переменную `RAGFLOW_IMAGE` в файле **docker/.env** перед использованием `docker compose` для запуска сервера.

```bash
   cd ragflow/docker

   git checkout v0.26.4
   # Optional: use a stable tag (see releases: https://github.com/infiniflow/ragflow/releases)
   # This step ensures the **entrypoint.sh** file in the code matches the Docker image version.

   # Use CPU for DeepDoc tasks:
   docker compose -f docker-compose.yml up -d

   # To use GPU to accelerate DeepDoc tasks:
   # sed -i '1i DEVICE=gpu' .env
   # docker compose -f docker-compose.yml up -d

Примечание: До версии v0.22.0 мы предоставляли как образы с моделями эмбеддингов, так и облегчённые образы (slim) без моделей эмбеддингов. Подробности приведены в таблице ниже:

Тег образа RAGFlow	Размер образа (ГБ)	Есть модели эмбеддингов?	Стабильный?
v0.21.1	≈9	✔️	Стабильный релиз
v0.21.1-slim	≈2	❌	Стабильный релиз

ачиная с версии v0.22.0 мы поставляем только облегчённую редакцию (slim) и больше не добавляем суффикс -slim к тегу образа.

Проверьте статус сервера после его запуска:

bash docker logs -f docker-ragflow-cpu-1

Следующий вывод подтверждает успешный запуск системы:

```bash

     ____   ___    ______ ______ __
    / __ \ /   |  / ____// ____// /____  _      __
   / /_/ // /| | / / __ / /_   / // __ \| | /| / /
  / _, _// ___ |/ /_/ // __/  / // /_/ /| |/ |/ /
 /_/ |_|/_/  |_|\____//_/    /_/ \____/ |__/|__/

* Running on all addresses (0.0.0.0)

```

Если вы пропустите этот шаг подтверждения и сразу войдёте в RAGFlow, ваш браузер может показать ошибку network abnormal, потому что в этот момент ваш RAGFlow может быть ещё полностью не инициализирован.

В веб-браузере введите IP-адрес вашего сервера и войдите в RAGFlow.

С настройками по умолчанию вам нужно просто ввести http://IP_ВАШЕГО_КОМПЬЮТЕРА (без номера порта), так как стандартный HTTP-порт 80 может быть опущен при использовании конфигурации по умолчанию.

В файле service_conf.yaml.template выберите нужную фабрику LLM в параметре user_default_llm и обновите поле API_KEY соответствующим ключом API.

Подробную информацию смотрите в llm_api_key_setup.

Всё готово к работе!

🔧 Конфигурации

При настройке системы вам потребуется управлять следующими файлами:

.env: Хранит базовые настройки системы, такие как SVR_HTTP_PORT, MYSQL_PASSWORD и MINIO_PASSWORD.
service_conf.yaml.template: Настраивает бэкенд-сервисы. Переменные окружения в этом файле будут автоматически заполнены при запуске Docker-контейнера. Любые переменные окружения, установленные внутри Docker-контейнера, будут доступны для использования, что позволяет настраивать поведение сервисов в зависимости от среды развёртывания.
docker-compose.yml: Система использует docker-compose.yml для запуска.

Файл ./docker/README содержит подробное описание настроек окружения и конфигураций сервисов, которые могут использоваться как ${ENV_VARS} в файле service_conf.yaml.template.

Чтобы изменить стандартный HTTP-порт (80), перейдите в docker-compose.yml и замените 80:80 на <ВАШ_ПОРТ_СЕРВЕРА>:80.

Для вступления изменений вышеперечисленных конфигураций в силу потребуется перезапуск всех контейнеров:

bash docker compose -f docker-compose.yml up -d

Переключение движка документов с Elasticsearch на Infinity

RAGFlow по умолчанию использует Elasticsearch для хранения полного текста и векторов. Чтобы переключиться на Infinity, выполните следующие шаги:

Остановите все запущенные контейнеры:

bash docker compose -f docker/docker-compose.yml down -v

[!WARNING] Флаг -v удалит тома Docker-контейнеров, и все существующие данные будут уничтожены.

В файле docker/.env установите значение DOC_ENGINE равным infinity.
Запустите контейнеры:

bash docker compose -f docker/docker-compose.yml up -d

[!WARNING] Переключение на Infinity на машине с Linux/arm64 пока официально не поддерживается.

🔧 Сборка Docker-образа

Этот образ размером около 2 ГБ и зависит от внешних сервисов LLM и эмбеддингов.

git clone https://github.com/infiniflow/ragflow.git
cd ragflow/
docker build --platform linux/amd64 -f Dockerfile -t infiniflow/ragflow:nightly .

Или, если вы находитесь за прокси, вы можете передать прокси-аргументы:

docker build --platform linux/amd64 \
  --build-arg http_proxy=http://YOUR_PROXY:PORT \
  --build-arg https_proxy=http://YOUR_PROXY:PORT \
  -f Dockerfile -t infiniflow/ragflow:nightly .

🔨 Запуск сервиса из исходного кода для разработки

[!IMPORTANT] После первого клонирования репозитория выполните команду git config --local --unset core.hooksPath, затем uv tool install lefthook и lefthook install из корневой директории репозитория, чтобы активировать локальные Git-хуки.

Установите uv или пропустите этот шаг, если он уже установлен:

bash pipx install uv 2. Клонируйте исходный код и установите зависимости Python:

bash git clone https://github.com/infiniflow/ragflow.git cd ragflow/ uv sync --python 3.13 # установка модулей Python, необходимых для RAGFlow uv run python3 ragflow_deps/download_deps.py git config --local --unset core.hooksPath uv tool install lefthook lefthook install 3. Запустите зависимые сервисы (MinIO, Elasticsearch, Redis и MySQL) с помощью Docker Compose:

bash docker compose -f docker/docker-compose-base.yml up -d

Добавьте следующую строку в /etc/hosts, чтобы все хосты, указанные в файле docker/.env, резолвились в 127.0.0.1:

text 127.0.0.1 es01 infinity mysql minio redis sandbox-executor-manager 4. Если у вас нет доступа к HuggingFace, установите переменную окружения HF_ENDPOINT для использования зеркала:

bash export HF_ENDPOINT=https://hf-mirror.com 5. Если в вашей операционной системе отсутствует jemalloc, установите его следующим образом:

bash # Ubuntu sudo apt-get install libjemalloc-dev # CentOS sudo yum install jemalloc # OpenSUSE sudo zypper install jemalloc # macOS brew install jemalloc 6. Запустите бэкенд-сервис:

bash source .venv/bin/activate export PYTHONPATH=$(pwd) bash docker/launch_backend_service.sh 7. Установите зависимости фронтенда:

bash cd web npm install 8. Запустите фронтенд-сервис:

bash npm run dev