RAGFlow 的核心架构：

ragflow架构

ragflow架构

RAGFlow 的架构设计清晰而模块化，主要可以分为以下几个层次：

  • • 输入层： 这是用户与系统交互的入口，用户可以通过提问（Questions）或上传文档（Documents，支持多种格式和 Web 链接）来提供信息。Web/Nginx 作为前端服务器，负责接收这些输入。

  • • API 服务层： API Server 是整个系统的核心大脑，负责协调和管理各个组件的工作流程。它接收来自 Web 层的请求，并进行任务分发（Task Dispatch）和查询分析（Query Analyze）。

  • • 数据处理层： 当用户上传文档后，RAGFlow 会将其分解成多个任务，由任务执行器（Task Executor）调用不同的文档处理模块，包括文档解析（Document Parser）、光学字符识别（OCR）、文档布局分析（Document Layout Analyze）和表格结构识别（Table Structure Recognition）。同时，系统还会进行关键词提取与嵌入（Keyword & Embedding），将文档内容转化为向量表示。

  • • 知识库层： 处理后的文档向量会存储在向量数据库中（Vector Database），为后续的快速语义检索提供支持。

  • • 检索与生成层： 当用户提问时，系统会通过多路召回（Multi-way Recall）机制从向量数据库中检索相关的文档片段（Chunk），然后利用重排序（Re-rank）技术选择最相关的片段。最后，大型语言模型（LLMs）会结合用户的问题和检索到的文档片段生成最终的答案（Answer）。

  • • 输出层： 系统将生成的答案返回给用户。

数据流向概览：

  • • 问题处理流程： 用户提问 -> Web 服务器 -> API 服务器 -> 查询分析 -> 向量化 -> 向量数据库检索 -> 多路召回 -> 重排序 -> 答案生成 -> 返回给用户。

  • • 文档处理流程： 用户上传文档 -> Web 服务器 -> API 服务器 -> 任务分发 -> 任务执行器 -> 文档解析/OCR/布局分析/表格识别 -> 向量化 -> 存储到向量数据库。

关键环节解析：

  • • 多路召回机制： RAGFlow 不仅仅依赖于单一的检索方法，而是结合了多种策略（如关键词匹配、语义相似度等），从而更全面地覆盖相关知识。

  • • 重排序过程： 对召回的文档片段进行精细化排序，确保返回最相关的结果，提高答案的质量。

  • • 向量化与存储： 将文档转化为向量表示并存储在专门的向量数据库中，是实现高效语义检索的关键。

  • • 任务调度与执行： 灵活的任务调度机制能够根据不同文档的类型和需求，调用相应的处理模块。

  • • 文档处理多样性： RAGFlow 支持处理多种复杂的文档格式，这得益于其强大的文档解析和识别能力。

RAGFlow 项目结构导览（核心业务模块）：

RAGFlow 的代码结构组织清晰，以下是一些核心业务模块的简要介绍：

  • • rag/：RAG 模块 - 包含检索增强生成的核心实现，如文档处理 (app/)、LLM 集成 (llm/)、自然语言处理 (nlp/)、服务层 (svr/) 等。

  • • api/：API 服务模块 - 提供连接前端与后端核心功能的 RESTful 接口。

  • • deepdoc/：文档智能处理模块 - 负责从各种文档中提取结构化信息，包括文档解析和计算机视觉处理（OCR、布局分析、图表识别）。

  • • graphrag/：图形化 RAG 模块 - 将传统 RAG 与图结构结合，支持更复杂的知识推理。

  • • agent/：智能代理模块 - 将 RAG 能力与工具调用、工作流编排结合，实现更复杂的自动化任务。

  • • web/：前端模块 - 基于 React + TypeScript 开发，提供用户界面。

RAGFlow 调试秘籍：

RAGFlow 调试，一般是面向需要二次开发和查看代码流程，因此需要使用源码启动方式

对于希望深入 RAGFlow 代码进行二次开发和流程查看的开发者来说，掌握源码启动下的调试技巧至关重要。利用 VSCode 的远程调试功能，你可以像在本地开发一样方便地设置断点、单步执行、查看变量，从而更高效地理解代码逻辑和排查问题。

启动后端（源码方式）

  1. 1. 安装 uv。如已经安装，可跳过本步骤： 
    pip install pipx
pipx install uv
export UV_INDEX=https://mirrors.aliyun.com/pypi/simple
  1. # uv命令生效
pipx ensurepath

    • • pip 用于安装 Python 库，这些库是构建其他 Python 项目的基础。 你通常会在项目特定的虚拟环境中使用 pip。

    • • pipx 用于安装 Python 应用程序，这些应用程序是你可以直接在命令行运行的独立工具。 pipx 会确保每个应用程序都在其自己的隔离环境中运行。

  2. 2. 下载源代码并安装 Python 依赖： 
    git clone https://github.com/infiniflow/ragflow.git
cd ragflow/
uv sync --python 3.10 --all-extras # install RAGFlow dependent python modules
  3. 3. 通过 Docker Compose 启动依赖的服务（MinIO, Elasticsearch, Redis, and MySQL）： 
    docker-compose -f docker/docker-compose-base.yml up -d --force-recreate
    在 /etc/hosts 中添加以下代码，将 conf/service_conf.yaml 文件中的所有 host 地址都解析为 127.0.0.1： 
    127.0.0.1       es01 infinity mysql minio redis
  4. 4. 如果无法访问 HuggingFace，可以把环境变量 HF_ENDPOINT 设成相应的镜像站点： 
    export HF_ENDPOINT=https://hf-mirror.com
  5. 5. 启动后端服务： 
    source .venv/bin/activate
export PYTHONPATH=$(pwd)
bash /root/ragflow/docker/launch_backend_service.sh
    正常启动，出现以下信息表示启动成功： 
            ____   ___    ______ ______ __               
       / __ \ /   |  / ____// ____// /____  _      __
      / /_/ // /| | / / __ / /_   / // __ \| | /| / /
     / _, _// ___ |/ /_/ // __/  / // /_/ /| |/ |/ / 
    /_/ |_|/_/  |_|\____//_/    /_/ \____/ |__/|__/                             

    
2025-04-11 11:19:01,094 INFO     27812 RAGFlow version: v0.17.2-204-g1979222b full
2025-04-11 11:19:01,095 INFO     27812 project base: /root/ragflow
2025-04-11 11:19:01,096 INFO     27812 Current configs, from /root/ragflow/conf/service_conf.yaml:
    ragflow: {'host': '0.0.0.0', 'http_port': 9380}
    mysql: {'name': 'rag_flow', 'user': 'root', 'password': '********', 'host': 'localhost', 'port': 5455, 'max_connections': 100, 'stale_timeout': 30}
    minio: {'user': 'rag_flow', 'password': '********', 'host': 'localhost:9000'}
    es: {'hosts': 'http://localhost:1200', 'username': 'elastic', 'password': '********'}
    infinity: {'uri': 'localhost:23817', 'db_name': 'default_db'}
    redis: {'db': 1, 'password': '********', 'host': 'localhost:6379'}
2025-04-11 11:19:01,100 INFO     27812 Use Elasticsearch http://localhost:1200 as the doc engine.
2025-04-11 11:19:01,126 INFO     27812 GET http://localhost:1200/ [status:200 duration:0.023s]
2025-04-11 11:19:01,134 INFO     27812 HEAD http://localhost:1200/ [status:200 duration:0.007s]
2025-04-11 11:19:01,136 INFO     27812 Elasticsearch http://localhost:1200 is healthy.
2025-04-11 11:19:01,143 WARNING  27812 Load term.freq FAIL!
2025-04-11 11:19:01,151 WARNING  27812 Realtime synonym is disabled, since no redis connection.
2025-04-11 11:19:01,159 WARNING  27812 Load term.freq FAIL!
2025-04-11 11:19:01,165 WARNING  27812 Realtime synonym is disabled, since no redis connection.
2025-04-11 11:19:01,167 INFO     27812 MAX_CONTENT_LENGTH: 134217728
2025-04-11 11:19:01,168 INFO     27812 MAX_FILE_COUNT_PER_USER: 0
2025-04-11 11:19:04,280 INFO     27812 init web data success:2.7721996307373047
2025-04-11 11:19:04,284 INFO     27812 update_progress lock_value: 58f01bdd-c3ab-4844-85fa-28bcd3ee09e0
2025-04-11 11:19:04,284 INFO     27812 RAGFlow HTTP server start...
2025-04-11 11:19:04,288 INFO     27812 WARNING: This is a development server. Do not use it in a production deployment. Use a production WSGI server instead.
 * Running on all addresses (0.0.0.0)
 * Running on http://127.0.0.1:9380
 * Running on http://192.168.172.128:9380

其中：

  • • v0.17.2：官方发布的版本。

  • • 204：自官方发布以来的 git 提交次数。

  • • g1979222b：g 是前缀，1979222b 是当前提交 ID 的前七个字符。

  • • full/slim：RAGFlow 的版本。

    • • full：完整的 RAGFlow 版本。

    • • slim：不包含嵌入模型和 Python 包的 RAGFlow 版本。

启动前端（源码方式）

  1. 6. 安装前端依赖： 
    cd web
apt install npm
npm install
  2. 7. 启动前端服务： 
    cd /root/ragflow/web
npm run dev
    以下界面说明系统已经成功启动： 
    Done in 1874ms.
info  - MFSU eager strategy enabled
info  - [MFSU][eager] restored cache
[HPM] Proxy created: /api,/v1  -> http://127.0.0.1:9380/
event - [MFSU][eager] start build deps
info  - [MFSU] skip buildDeps
        ╔════════════════════════════════════════════════════╗
        ║ App listening at:                                  ║
        ║  >   Local: http://localhost:9222                  ║
ready - ║  > Network: http://192.168.172.128:9222            ║
        ║                                                    ║
        ║ Now you can open browser with the above addresses↑ ║
        ╚════════════════════════════════════════════════════╝
info  - [MFSU][eager] worker init, takes 2243ms

组件访问

根据 docker/.env 文件的配置，以下是各个组件的详细访问信息：

1. ElasticSearch

  • • 访问地址：http://192.168.172.128:1200

  • • 账号：elastic

  • • 密码：infini_rag_flow

  • 使用Elasticsearch Multi-head(s)查看RagFlow的向量数据信息

2. Kibana

  • • 访问地址：http://192.168.172.128:6601

  • • 账号：rag_flow

  • • 密码：infini_rag_flow

使用 Kibana 查询和可视化 Elasticsearch 中的向量数据

根据配置文件，我可以看到：

  • • Kibana 运行在 6601 端口 (KIBANA_PORT=6601)

  • • Elasticsearch 运行在 1200 端口 (ES_PORT=1200)

  • • 登录凭证：

    • • 用户名：rag_flow (KIBANA_USER)

    • • 密码：infini_rag_flow (KIBANA_PASSWORD)

让我为你详细说明如何使用 Kibana 查询向量数据：

  1. 1. 访问 Kibana

    • • 打开浏览器，访问 http://localhost:6601

    • • 使用以下凭证登录：

      • • 用户名：rag_flow

      • • 密码：infini_rag_flow

  2. 2. 查看向量数据
    在 Kibana 中查询向量数据的步骤：

  3.     a. 使用 Dev Tools

     b. 查看索引数据

    # 查看所有索引
GET _cat/indices?v
# 查找ragflow_开头
# 如：ragflow_e24416a9106d11f0a4a9c73ddb33c1ac

# 查看向量索引的映射结构
GET your_index_name/_mapping

GET ragflow_e24416a9106d11f0a4a9c73ddb33c1ac/_mapping

    c. 查询向量数据

    # 基本查询示例
GET your_index_name/_search
{
"query":{
    "match_all":{}
}
}

# 向量相似度查询示例
GET ragflow_e24416a9106d11f0a4a9c73ddb33c1ac/_search
{
"query":{
    "script_score":{
      "query":{
        "match_all":{}
      },
      "script":{
        "source":"cosineSimilarity(params.query_vector, 'vector_field') + 1.0",
        "params":{
          "query_vector":[0.024323905304040452]// 你的查询向量
        }
      }
    }
}
}

    • • 点击左侧菜单栏的 "Dev Tools"（开发工具）

    • • 在 Console 中可以直接执行 Elasticsearch 查询

注意事项：

  1. 1. 向量数据通常是高维数据，直接可视化可能不太直观。建议先进行降维处理（如 PCA、t-SNE）后再可视化。

  2. 2. 在进行向量相似度搜索时，确保使用正确的相似度计算方法（cosine similarity、euclidean distance 等）。

  3. 3. 对于大规模向量数据，建议使用适当的分页和限制来优化查询性能。

3. Infinity（向量数据库，可选）

  • • Thrift 端口：23817

  • • HTTP 端口：23820

  • • PostgreSQL 端口：5432

  • • 主机名：infinity

4. MySQL

  • • 访问端口：5455

  • • 数据库名：rag_flow

  • • 密码：infini_rag_flow

5. MinIO（对象存储）

  • • API 访问地址：http://192.168.172.128:9000

  • • 控制台地址：http://192.168.172.128:9001

  • • 用户名：rag_flow

  • • 密码：infini_rag_flow

6. Redis

  • • 访问地址：redis:6379

  • • 密码：infini_rag_flow

7. HuggingFace

  1. • 模型保存地址:

  2.     Linux: ~/.cache/huggingface/

  3.     MacOS: ~/Library/Caches/huggingface/

  4.     Windows: C:\Users\<YourUsername>\.cache\huggingface\

  5. • 代理地址：HF_ENDPOINT=https://hf-mirror.com

8. RAGFlow API服务

  • • API 地址：http://192.168.172.128:9222

  • • API 文档：docs/references/http_api_reference.md

后端调试

Tip

我们需要配置 VSCode 通过 SSH 连接到远程服务器，并设置 Python 调试器。

  1. 1. 开发环境：Windows 11

  2. 2. 部署环境：Ubuntu22.04，代码在/root/ragflow目录

1. 在 Windows 上的 VSCode(或Cursor) 配置

  1. 1. 安装必要的 VSCode 扩展：

    • • Remote - SSH

    • • Python

    • • Python Debug

  2. 2. 配置 SSH 连接：

    • • 按 Ctrl+Shift+P

    • • 输入 Remote-SSH: Connect to Host

    • • 添加新的 SSH 主机：root@192.168.172.128

    • • 选择 SSH 配置文件位置（通常在 C:\Users\YourUsername\.ssh\config）

    • • 输入密码 fly123

2. 配置调试设置

让我们在Ubuntu环境的/root/ragflow/.vscode/launch.json创建调试配置文件：

{
    "version":"0.2.0",
    "configurations":[
        {
            "name":"Backend",
            "type":"python",
            "request":"launch",
            "program":"${workspaceFolder}/api/ragflow_server.py",
            "console":"integratedTerminal",
            "justMyCode":false,
            "env":{
                "PYTHONPATH":"${workspaceFolder}"
            }
        }
    ]
} 
3. 安装调试所需的包

让我们确保远程环境安装了调试所需的包：

pip install debugpy
4. 使用方法

现在你可以按照以下步骤进行远程调试：

  1. 1. 在 VSCode 中连接到远程服务器：

    • • 点击左下角的绿色图标

    • • 选择 "Connect to Host..."

    • • 选择 root@192.168.172.128

  2. 2. 打开项目文件夹：

    • • 在 VSCode 中，选择 "File > Open Folder"

    • • 输入 /root/ragflow

  3. 3. 设置断点：

    • • 打开你想调试的 Python 文件

    • • 点击行号左侧设置断点

  4. 4. 启动调试：

    • • 按 F5 或点击 "Run and Debug" 图标

    • • 选择相应的调试配置：

      • • "Python: RAGFlow Backend" 用于调试主服务器

      • • "Python: Task Executor" 用于调试任务执行器

  5. 5. 调试控制：

    后端调试

    后端调试

    • • F5: 继续执行

    • • F10: 单步执行（不进入函数）

    • • F11: 单步执行（进入函数）

    • • Shift+F5: 停止调试

    • • F9: 切换断点

注意事项：

  1. 1. 调试时会暂停原有的服务，建议在开发环境进行调试。

  2. 2. 如果需要同时调试多个任务执行器，可以复制 "Python: Task Executor" 配置，修改 args 中的任务 ID。

  3. 3. 调试时可以在 DEBUG CONSOLE 中查看变量值，也可以在 WATCH 窗口添加要监视的变量。

  4. 4. 如果遇到连接问题，可以检查：

    • • 防火墙设置

    • • SSH 连接是否正常

    • • debugpy 是否正确安装

结语：

理解 RAGFlow 的架构和掌握调试技巧是成为一名熟练的 RAGFlow 使用者和开发者的关键。希望本文能帮助你更深入地了解 RAGFlow 的内部运作机制，并在遇到问题时能够快速定位和解决。继续探索 RAGFlow 的更多功能和可能性，打造属于你自己的智能知识库吧！

 

 大模型&AI产品经理如何学习

求大家的点赞和收藏，我花2万买的大模型学习资料免费共享给你们，来看看有哪些东西。

1.学习路线图

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。


2.视频教程

网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

（都打包成一块的了，不能一一展开，总共300多集）

因篇幅有限，仅展示部分资料，需要点击下方图片前往获取

3.技术文档和电子书 

这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。



4.LLM面试题和面经合集


这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。



👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集***

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

# 人工智能 # AI # 学习
Logo
智能体开发者社区

中国智能体开发者社区，聚焦智能体与大模型开发，提供前沿资讯、实用工具链、开源项目及行业案例。通过技术沙龙、开发者大赛等活动，促进经验交流与协作，助力开发者快速构建创新智能应用。

更多推荐

OpenClaw 本地部署完整指南（Windows + Ollama）

本文档基于实际部署经验编写，旨在帮助你在 Windows 系统上从零开始搭建 OpenClaw，并连接本地 Ollama 模型（如 Qwen2.5 或 Qwen3），使其具备完整的智能体能力。文档包含了所有关键步骤以及常见问题的解决方案。

avatar 智能体开发者社区

OpenClaw 小白安装指南（Windows版）

（类似一个能自动执行任务的AI机器人），不是游戏。API Key只保存在你本地电脑的加密文件里，不会上传到任何地方。访问：https://github.com/miaoxworld/openclaw-manager/releases。: 一键安装脚本会自动安装Node.js 22+，如果失败，手动下载安装：https://nodejs.org/：在PowerShell中，鼠标右键就是粘贴，不需要按

avatar 智能体开发者社区

飞书 × OpenClaw 接入指南：不用服务器，用长连接把机器人跑起来

这个项目存在的意义，就是把“飞书接 OpenClaw”这件事，整理成一套的配置入口，并把官方文档没覆盖到的坑集中写成排查清单。先说清楚它的角色：OpenClaw 现在已经内置官方飞书插件 @openclaw/feishu，功能更完整、维护也更及时。，说明飞书 + AI 的接入已经走通。另外，仓库也推荐了一个新项目：把 OpenClaw 变成“多 Agent 团队”，用多个 Agent 分工，Sla

avatar 智能体开发者社区