企业官网建设流程全解析

RAGFlow 是一个开源的检索增强生成引擎，被官方定义为在大模型中的"上下文层"。用户可将其PDF、Word、表格、图片或网页等资料输入，RAGFlow会负责整理、建立索引、检索相关内容，并将其传递给大模型生成答案。该工具解决了企业资料多，大模型却无法有效读取的问题。RAGFlow将处理流程拆分为可配置、检查和调整的流水线，包括文档切分、向量化、检索和生成四个步骤，专注于优化文件读取、段落切分和内容检索的准确性。RAGFlow支持多种文件格式，提供强大的文档解析和OCR功能，能将非结构化数据转化为结构化文本，便于后续处理。它还提供多种切片模板，支持自定义数据管道，并通过混合关键词和向量检索，提高检索的准确性和全面性。此外，RAGFlow还支持Agent功能，可将检索过程扩展为更长的工作流，实现更复杂的任务处理。RAGFlow适合需要处理复杂资料、引用来源，并希望自主控制解析和检索过程的团队。

简单说，RAGFlow 想解决一个很现实的问题：企业资料很多，大模型却没有读过。直接把整份文件塞进提示词，内容太长；只做普通向量搜索，又容易丢掉表格、标题和上下文。

RAGFlow 把这件事拆成了一条可以配置、检查和调整的流水线。

一、普通 RAG 是怎么工作的？

一个基础 RAG 系统通常有 4 步：

切分文档：把长文档切成很多小段。

向量化：用 Embedding 模型把每一段变成向量并保存。

检索：用户提问时，从索引里找出最相关的文本段。

生成：把问题和这些文本段一起交给大模型生成答案。

难点主要集中在前 3 步：文件有没有读对，段落有没有切坏，搜索有没有找到真正有用的内容。RAGFlow 的主要工作，也集中在这些位置。

二、RAGFlow 的整体架构

从数据进入到答案输出，可以把 RAGFlow 看成下面这条链路：

pipeline

PDF / Word / 表格 / 图片 / 网页
↓
Parser → Transformer → Chunker → Indexer
↓
Elasticsearch / Infinity / OpenSearch
↓
关键词检索 + 向量检索 + 可选 Rerank
↓
LLM 生成答案 + 原文引用

RAGFlow 官方系统架构图，来源：RAGFlow 中文 README

外围还有几类基础服务：

MySQL 或 PostgreSQL：保存用户、知识库、任务和配置等业务数据。

MinIO：保存用户上传的原始文件。

Redis：处理缓存和任务状态。

Web 与 API 服务：提供管理界面、聊天接口和系统集成能力。

Agent Runtime：运行可视化工作流、工具调用和知识检索组件。

官方仓库目前同时包含 Python 与 Go 后端代码。deepdoc/ 负责文档解析和 OCR，rag/ 负责入库、检索、模型调用与 GraphRAG，agent/ 和 internal/agent/ 负责 Agent 画布、组件及工具绑定。

三、第一层原理：先把文档读懂

RAG 的上限，往往在文件刚上传时就决定了。

普通 PDF 解析器可能只抽出一串文字。原来的标题层级、双栏排版、表格行列和图片位置，很容易丢失。后续搜索拿到的内容即使文字相似，也可能已经失去原意。

RAGFlow 内置的 DeepDoc 会做版面分析、OCR 和表格结构识别。复杂 PDF 还可以选择 MinerU，纯文本 PDF 则可以使用速度更快的 Naive 解析。图片默认走 OCR，也能接入视觉语言模型理解图中内容。

这一步的目标很明确：先把多模态文件变成带有结构信息的文本，再进入后续流程。

四、第二层原理：把文档切成合适的块

整本手册做成一个向量，搜索结果会很模糊。切得太碎，又可能只找到一句结论，找不到它适用的章节和条件。

RAGFlow 提供多种内置切片模板，也支持自己编排数据管道。标准管道由 4 个组件组成：

Parser：读取文件并保留结构。

Transformer：补充摘要、关键词或问题等信息。

Chunker：按 token、标题或文档结构切片。

Indexer：生成全文索引和向量索引并写入文档引擎。

从上传文件到查看切片结果的官方演示，来源：RAGFlow 中文 README

它还支持父子切片。小的子块负责精准命中问题，命中后再把更完整的父块一起带回来。这样既能找到具体条款，也能保留条款所在章节的背景。

五、第三层原理：混合检索后再让模型回答

用户提问后，RAGFlow 会同时利用关键词和向量相似度找候选文本。

向量检索擅长寻找意思相近的内容，关键词检索更容易命中产品型号、法规编号和专有名词。两路结果合并后，还可以交给 Rerank 模型重新排序，再按相似度门槛过滤。

最终留下的文本块会进入大模型上下文。大模型根据这些证据组织答案，页面同时展示引用片段，读者可以回到原文核对。

GraphRAG、RAPTOR、目录增强和父子切片，都是在这条主链路上补充上下文的方法。它们解决的核心问题相同：既要找得准，也要让模型看到足够完整的背景。

六、Agent 在其中做什么？

知识库问答通常只有一轮"检索再回答"。Agent 可以把检索变成更长的工作流。

例如，一个研究 Agent 可以先改写问题，再查多个知识库，调用搜索或代码工具，最后合并证据生成报告。RAGFlow 提供可视化 Agent 画布、预置模板、工具绑定、记忆和检索组件，知识库因此可以成为 Agent 的一项基础能力。

这也是 RAGFlow 与简单知识库聊天工具的主要区别：前者同时提供数据入库管道、检索引擎和 Agent 运行层。

七、怎样快速跑起来？

官方 Docker 部署的最低建议是 4 核 CPU、16 GB 内存和 50 GB 磁盘。当前 README 默认使用 v0.27.2，官方预编译镜像面向 x86，ARM64 机器需要自行构建。

terminal# 克隆仓库并切换到发布版本gitclone https://github.com/infiniflow/ragflow.gitcdragflowgitcheckout v0.27.2cddockerdockercompose-fdocker-compose.yml up-d

默认部署会带起 RAGFlow 及 Elasticsearch 或 Infinity、MySQL、MinIO、Redis 等依赖。服务启动后，在浏览器打开服务器地址即可进入管理页面。

服务启动成功后的访问地址提示，来源：RAGFlow 中文 README

RAGFlow 更适合资料格式复杂、需要引用来源、希望自己控制解析和检索过程的团队。如果只是给少量纯文本做一次简单问答，它的组件和部署成本会显得偏重。

它的核心思路可以浓缩成一句话：先把资料处理好，再让大模型开口。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？