ຄູ່ມືການນຳໃຊ້ RAGFlow: ວິຕິດຕັ້ງ Open-source RAG Engine, ວິທີປ້ອນເອກະສານ ແລະ ວິທີປ້ອງກັນບໍ່ໃຫ້ AI ມົ້ວຕອບ

ຳນຳ: ເມື່ອ AI ອ່ານ PDF ກາຍເປັນຄວາມວຸ່ນວາຍ

ຂ້ອຍເຄີຍເຫັນກໍລະນີຕົວຈິງ: ບໍລິສັດແຫ່ງໜຶ່ງຢากເຮັດຖານຄວາມຮູ້ພາຍໃນ, ເອົາ PDF ຄູ່ມືຜະລິດຕະພັນກວ່າສາມຮ້ອຍຊຸດໂຍນເຂົ້າໃສ່ລະບົບ RAG, ຜົນປາກົດວ່າເວລາ AI ຕອບແມ່ນເອົາຕົວເລກໃນຕາຕະລາງໄປຕໍ່ກັບຂໍ້ຄວາມສ່ວນອື່ນ ແລະ ເອົາຂໍ້ຄວາມສະຫງວນລິຂະສິດທ້າຍໜ້າເປັນເນື້ອໃນຫຼັກ. ເວລາຖາມວ່າມ "ກຳລັງໄຟຂອງລຸ້ນ A ແມ່ນເທົ່າໃດ", ມັນຕອບດ້ວຍຄວາມໝັ້ນໃຈວ່າເປັນຕົວເລກຂອງລຸ້ນ B. ວິສະວະກອນທີ່ຮັບຜິດຊອບຫົວຂຶ້ນຝືນໆແລ້ວເວົ້າວ່າ, ບັນຫາບໍ່ແມ່ນໂມເດວໂງ່, ແຕ່ແມ່ນ "ເອກະສານບໍ່ໄດ້ຖືກອ່ານຢ່າງຖືກຕ້ອງຕັ້ງແຕ່ທຳອິດ".

ນີ້ຄືຈຸດຍາກທີ່ແທ້ຈິງຂອງ RAG—ບໍ່ແມ່ນການຕໍ່ໂມເດວ, ແຕ່ແມ່ນການຕັດເອກະສານທີ່ມີໂຄງສ້າງສັບສົນ, ມີຕາຕະລາງ, ມີໄຟລ໌ສະແກນ ໃຫ້ເປັນສ່ວນທີ່ໂມເດວສາມາດຮັບຮູ້ໄດ້ຢ່າງຖືກຕ້ອງ. RAGFlow ເປັນເຄື່ອງມືທີ່ເນັ້ນເລື່ອງນີ້ໂດຍສະເພາະ. ບົດຄວາມນີ້ຈະພາເຈົ້າຕິດຕັ້ງຕົວຈິງ, ປ້ອນເອກະສານ, ແລະ ເຮັດໃຫ້ມັນສະແດງແຫຼ່ງທີ່ມາ.

RAGFlow ຄືຫຍັງ

RAGFlow ເປັນໂປຣແກຣມ RAG (Retrieval-Augmented Generation) ລະຫັດເປີດ (Open-source) ຈາກ InfiniFlow ເຊິ່ງມີລະຫັດເປີດໃຫ້ເບິ່ງໃນ GitHub. ຖ້າເຈົ້າປຶກສາຫາລືວ່າ RAG ຄືຫຍັງ, ໃຫ້ອ່ານ RAG ຄືຫຍັງ? ຂອງພວກເຮົາກ່ອນ ເພື່ອໃຫ້ເຂົ້າໃຈງ່າຍຂຶ້ນ—ເວົ້າງ່າຍໆກໍຄື ການໃຫ້ AI ຄົ້ນຫາຂໍ້ມູນໃນຖານຂໍ້ມູນຂອງເຈົ້າກ່ອນຕອບ ແລະ ຕອບຕາມຂໍ້ມູນທີ່ພົບ ບໍ່ແມ່ນການຄາດເດົາໄປົົ່ວ.

ຈຸດທີ່ແຕກຕ່າງກັນລະຫວ່າງ RAGFlow ກັບເຄື່ອງມື RAG ອື່ນໆຄື "ຄວາມເຂົ້າໃຈເອກະສານແບບເລິກເຊິ່ງ" ທີ່ເອີ້ນວ່າ DeepDoc. ເຄື່ອງມືອ່ານ PDF ທົ່ວໄປພຽງແຕ່ດຶງຂໍ້ຄວາມອອກມາແບບດິບໆ ເຊິ່ງມັກຈະວຸ່ນວາຍເມື່ອພົບໂຄງສ້າງທີ່ສັບສົນ. RAGFlow ສາມາດເຂົ້າໃຈໂຄງສ້າງໜ້າ—ບ່ອນໃດເປັນຫົວຂໍ້, ບ່ອນໃດເປັນຕາຕະລາງ, ບ່ອນໃດເປັນວັກ, ແລະ ແມ່ນແຕ່ໄຟລ໌ສະແກນ (PDF ປະເພດຮູບພາບ) ກໍສາມາດປະມວນຜົນຜ່ານ OCR ໄດ້. ມັນຮອງຮັບຫຼາຍຮູບແບບເຊັ່ນ Word, PowerPoint, Excel, ຂໍ້ຄວາມທຳມະດາ, ຮູບພາບ, ໄຟລ໌ສະແກນ, ຂໍ້ມູນທີ່ມີໂຄງສ້າງ ແລະ ເວັບໄຊ.

ອີກຈຸດສຳຄັນໜຶ່ງແມ່ນ ການອ້າງອີງທີ່ສາມາດຕິດຕາມໄດ້ (Traceable Citations). ເວລາທີ່ມັນຕອບ, ມັນຈະລະບຸແຫຼ່ງທີ່ມາຂອງຄຳຕອບ ເຮັດໃຫ້ເຈົ້າເຫັນວ່າ "ປະໂຫຍກນີ້ມາຈາກສ່ວນໃດຂອງເອກະສານໃດ", ຊ່ວງຫຼຸດຜ່ອນໂອກາດທີ່ເຈົ້າຈະຖືກ AI ຫຼອກໄດ້ຢ່າງຫຼວງຫຼາຍ. ມັນຍັງເຊື່ອມໂຍງກັບແພລະຕະຟອມປະເພດ Dify ໃນການຈັດການ Agent ໂດຍຮອງຮັບການລວມ RAG, ເຄື່ອງມື ແລະ MCP ເປັນເວີກໂຟລແບບເຫັນພາບ.

ເອົາມາເຮັດຫຍັງໄດ້ແດ່

• ຖານຄວາມຮູ້ພາຍໃນອົງກອນ: ປ້ອນຄູ່ມືຜະລິດຕະພັນ, SOP, ແບບຟອມສັນຍາເຂົ້າໄປ, ໃຫ້ພະນັກງານຖາມດ້ວຍພາສາທຳມະຊາດ ພ້ອມຕອບພ້ອມແຫຼ່ງທີ່ມາ.
• ລະບົບຫຼັງບ້ານຖາມ-ຕອບລູກຄ້າ: ເຊື່ອມຕໍ່ກັບຄຳຖາມທີ່ພบบ่อย (FAQ) ແລະ ເອກະສານເຕັກນິກ ເພື່ອໃຊ້ເປັນສະໝອງຂອງແຊັດບອດ.
• ການຄົ້ນຄວ້າ ແລະ ວິເຄາະ: ເອກະສານທີ່ມີໂຄງສ້າງສັບສົນ ແລະ ຕ້ອງການການອ້າງອີງທີ່แม่ນຍຳ ເຊັ່ນ: ຄຳພິພາກສາທາງກົດໝາຍ, ບົດລາຍງານການເງິນ ແລະ ບົດຄວາມວິຊາການ ເຊິ່ງເປັນຈຸດແຂງຂອງ DeepDoc.
• ສະໝອງສ່ວນທີສອງສ່ວນບຸກຄົນ: ໂຍນບັນທຶກ ແລະ ປຶ້ມອີເລັກໂທຣນິກທີ່ເຈົ້າສະສົມມາຫຼາຍປີໃສ່, ໃຫ້ກາຍເປັນຖານຄວາມຮູ້ທີ່ສົນທະນາໄດ້.

ຖ້າຢາກເຂົ້າໃຈວິທີການສ້າງລະບົບ RAG ໂດຍລວມ, ສາມາດອ່ານຄູ່ມື ຄູ່ມືການປະຕິບັດ RAG ປະກອບກັນໄດ້.

ວິທີໃຊ້ງານ: ການໃຊ້ງານຄັ້ງທຳອິດ

RAGFlow ນຳໃຊ້ Docker ຜ່ານການຕິດຕັ້ງ, ຂັ້ນຕອນບໍ່ໄດ້ຍາກ ແຕ່ມີຄວາມຕ້ອງການດ້ານສະເປັກເຄື່ອງພໍສົມຄວນ, ມາເບິ່ງສະເປັກກັນກ່ອນ.

1. ກວດສອບຄວາມຕ້ອງການຂອງລະບົບ

ທາງການແນະນຳ: CPU ຢ່າງໜ້ອຍ 4 ໂຄຣ, RAM ຢ່າງໜ້ອຍ 16GB, ຮາດດິດຢ່າງໜ້ອຍ 50GB, Docker 24 ຂຶ້ນໄປ, Docker Compose v2.26 ຂຶ້ນໄປ. ເລື່ອງ RAM ນີ້ສຳຄັນຫຼາຍ—ມັນຕ້ອງແລ່ນ Vector Database, ຖ້າ RAM ບໍ່ພໍມັນຈະແຈ້ງເຕືອນຜິດພາດເລື້ອຍໆ, ຢ່າຄິດໃຊ້ເຄື່ອງນ້ອຍໆທີ່ມີ RAM 4GB ເດັດຂາດ.

2. ດຶງໂປຣເຈັກ ແລະ ເລີ່ມຕົ້ນ

ຫຼັງຈາກ Clone ມາຈາກ GitHub ແລ້ວ, ໃຫ້ເຂົ້າໄປໃນໄດເຣັກທໍຣີ docker ແລ້ວເລີ່ມຕົ້ນ:

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

ການແລ່ນຄັ້ງທຳອິດຈະດາວໂຫຼດ Image ຫຼາຍພໍສົມຄວນ, ໃຫ້ໄປຊາບກາເຟລໍຖ້າ. ເມື່ອສຳເລັດແລ້ວ ໃຫ້ໃຊ້ຄຳສັ່ງ docker ps ເພື່ອກວດສອບວ່າ Container ທັງໝົດເຮັດວຽກແລ້ວ.

3. ເປີດລະບົບຫຼັງບ້ານ ແລະ ຕັ້ງຄ່າໂມເດວ

ຫຼັງຈາກການບໍລິການເລີ່ມຕົ້ນແລ້ວ, ໃຫ້ເປີດບຣາວເຊີໄປທີ່ http://IP_ເຄື່ອງຂອງເຈົ້າ (ຄ່າເລີ່ມຕົ້ນແມ່ນພອດ 80). ລົງທະບຽນບັນຊີເພື່ອເຂົ້າສູ່ລະບົບ, ຈາກນັ້ນໄປທີ່ການຕັ້ງຄ່າເພື່ອໃສ່ API Key ຂອງໂມເດວ—ຂັ້ນຕອນນີ້ຂ້າມບໍ່ໄດ້. RAGFlow ບໍ່ໄດ້ລວມໂມເດວມາໃຫ້, ເຈົ້າຕ້ອງບອກມັນວ່າຈະໃຊ້ LLM ໂຕໃດ (ສຳລັບຕອບຄຳຖາມ) ແລະ Embedding ໂຕໃດ (ສຳລັບແປງຂໍ້ຄວາມເປັນ Vector). ສາມາດໃສ່ OpenAI, ໂມເດວຄລາວຕ່າງໆ, ຫຼື ເຊື່ອມຕໍ່ກັບ Ollama ໃນເຄື່ອງໄດ້.

4. ສ້າງຖານຄວາມຮູ້ ແລະ ປ້ອນເອກະສານ

ສ້າງ Knowledge Base ຂຶ້ນມາ, ອັບໂຫຼດ PDF ແລະ Word ຂອງເຈົ້າລົງໄປ. ຈຸດສຳຄັນແມ່ນ: ຫຼັງຈາກອັບໂຫຼດແລ້ວ ຕ້ອງເລືອກ ຮູບແບບການຕັດບ໋ອກ (Chunk method). RAGFlow ມີຮູບແບບທີ່ຫຼາກຫຼາຍໃຫ້ກົງກັບປະເພດເອກະສານຕ່າງໆ—ເອກະສານທຳມະດາ, ບົດຄວາມວິຊາການ, ປຶ້ມ, ກົດໝາຍ, ສະໄລ້, ຕາຕະລາງ, ຄູ່ມືຖາມ-ຕອບ ແລະ ອື່ນໆ. ການເລືອກຮູບແບບທີ່ຖືກຕ້ອງຈະເຮັດໃຫ້ຄຸນນະພາບການຕັດແຕກຕ່າງກັນຫຼາຍ. ເມື່ອເລືອກແລ້ວ ໃຫ້ກົດວິເຄາະ (Parse), ມັນຈະໃຊ້ DeepDoc ເພື່ອແຍກເອກະສານອອກເປັນສ່ວນຍ່ອຍ.

5. ກວດສອບຜົນການຕັດບ໋ອກ

ນີ້ຄືຟັງຊັນທີ່ຄວນໃຊ້ທີ່ສຸດຂອງ RAGFlow: ຫຼັງຈາກວິເຄາະແລ້ວ ມັນຈະ ສະແດງຜົນ ການຕັດບ໋ອກໃຫ້ເບິ່ງ, ເຈົ້າສາມາດເບິ່ງໄດ້ວ່າແຕ່ລະບ໋ອກມີລັກສະນະແນວໃດ ແລະ ກົງກັບສ່ວນໃດໃນຕົ້ນບົດ. ຖ້າພົບວ່າຕັດຜິດ—ເຊັ່ນ: ຕາຕະລາງຖືກຕັດຂາດ—ສາມາດປັບແຕ່ງດ້ວຍມືໄດ້. ຢ່າຄິດວ່າຫຍຸ້ງຍາກ, ຂັ້ນຕອນນີ້ເປັນຕົວຕັດສິນວ່າຄຳຕອບຂ້າງໜ້າຈະຖືກຕ້ອງພຽງໃດ.

6. ສ້າງຜູ້ຊ່ວຍແຊັດ ແລະ ທົດສອບການຖາມ-ຕອບ

ເມື່ອການຕັດບ໋ອກບໍ່ມີບັນຫາແລ້ວ, ໃຫ້ສ້າງ Chat ຂຶ້ນມາ, ເຊື່ອມຕໍ່ຖານຄວາມຮູ້ດັ່ງກ່າວເຂົ້າໄປ, ແລ້ວເລີ່ມຖາມຄຳຖາມໄດ້ເລີຍ. ເວົ້າມັນຕອບ ມັນຈະແນບແຫຼ່ງທີ່ມາໃຫ້, ເຊິ່ງເມື່ອຄລິກແລ້ວສາມາດໂດດໄປຫາສ່ວນຕົ້ນສະບັບໄດ້.

ເທັກນິກຂັ້ນສູງ

ແບ່ງຖານຄວາມຮູ້ຕາມປະເພດເອກະສານ: ຢ່າເອົາສັນຍາທາງກົດໝາຍ ແລະ ສະໄລ້ຜະລິດຕະພັນມາໃສ່ຖານຄວາມຮູ້ດຽວກັນ ແລະ ໃຊ້ຮູບແບບດຽວກັນ. ໂຄງສ້າງຕ່າງກັນເກີນໄປ, ເຮັດໃຫ້ຕรรກະລິກການຕັດແຕກຕ່າງກັນ. ແຍກສ້າງຖານຂໍ້ມູນ ແລະ ເລືອກຮູບແບບຂອງໃຜຂອງມັນ, ຄວາມຖືກຕ້ອງຈະເພີ່ມຂຶ້ນຢ່າງເຫັນໄດ້ຊັດ.

ນຳໃຊ້ການຄົ້ນຫາແບບປະສົມ (Hybrid Search): RAGFlow ທຳການຄົ້ນຫາ Vector ແລະ BM25 Keyword ພ້ອມກັນ, ພ້ອມທັງເພີ່ມການຈັດລຳດັບໃໝ່ (Re-rank). ການຄົ້ນຫາ Vector ຢ່າງດຽວມັກຈະຈັບຄຳສັບທີ່ແນ່ນອນ, ລະຫັດຊິ້ນສ່ວນ ຫຼື ເລກໝາຍມາດຕາ ບໍ່ค่อยຖືກຕ້ອງ, ການຄົ້ນຫາດ້ວຍຄຳສັບຫຼັກຈຶ່ງເຂົ້າມາຊ່ວຍຕື່ມເຕັມ. ມີຄ່າເລີ່ມຕົ້ນໃຫ້ແລ້ວ, ແຕ່ເຈົ້າສາມາດປັບນ້ຳໜັກໄດ້.

ເຊື່ອມຕໍ່ Ollama ເພື່ອແລ່ນໂມເດວໃນເຄື່ອງ: ຜູ້ທີ່ສົນໃຈເລື່ອງຄວາມເປັນສ່ວນຕົວຂອງຂໍ້ມູນ, ບໍ່ຢາກສົ່ງເອກະສານບໍລິສັດຂຶ້ນຄລາວ, ສามารถຊີ້ LLM ແລະ Embedding ໄປທີ່ Ollama ໃນເຄື່ອງໄດ້, ເພື່ອແລ່ນແບບອອບລາຍທັງໝົດ. ສິ່ງທີ່ຕ້ອງແລກມາຄືຄວາມຕ້ອງການຮາດແວທີ່ສູງຂຶ້ນ.

ເຊື່ອມຕໍ່ API ເຂົ້າໃນລະບົບຂອງເຈົ້າເອງ: RAGFlow ມີ API ໃຫ້, ເຈົ້າສາມາດໃຊ້ມັນເປັນຊັ້ນຄົ້ນຫາຫຼັງບ້ານ, ສ່ວນໜ້າບ້ານໃຊ້ການໂຕ້ຕອບຂອງຕົນເອງ ຫຼື ເຊື່ອມຕໍ່ກັບລະບົບບໍລິການລູກຄ້າທີ່ມີຢູ່ແລ້ວ. ຖ້າຕ້ອງການເຮັດເວີກໂຟລທີ່ສັບສົນກວ່າ, ສາມາດໃຊ້ຟັງຊັນການຈັດການ Agent ຂອງມັນໄດ້, ເຊິ່ງມີແນວຄິດທີ່ຄ້າຍຄືກັບ ການພັດທະນາ AI Agent.

ຂໍ້ຜິດພາດທົ່ວໄປ ແລະ ຂໍ້ຄວນລະວັງ

• ກຳານົດ RAM ໜ້ອຍເກີນໄປ: 16GB ເປັນຂີດຈຳກັດຕ່ຳສຸດ ບໍ່ແມ່ນຄຳແນະນຳ, ຖ້າຕ່ຳກວ່າຂີດນີ້ Container ຈະພັງຊ້ຳໆ, ຜູ້ເລີ່ມຕົ້ນມັກຕິດຂັດຢູ່ຈຸດນີ້ແຕ່ບໍ່ຮູ້ສາເຫດ.
• ລືມຕັ້ງຄ່າ Embedding: ຫຼາຍຄົນຕັ້ງຄ່າແຕ່ LLM ສຳລັບຕອບ ແຕ່ລືມຕັ້ງຄ່າ Embedding, ຜົນປາກົດວ່າເອກະສານບໍ່ໄດ້ຖືກແປງເປັນ Vector ຢ່າງຖືກຕ້ອງ, ຖາມຫຍັງກໍຕອບບໍ່ຖືກ. ຕ້ອງຕັ້ງຄ່າທັງສອງຢ່າງ.
• ເລືອກຮູບແບບການຕັດບ໋ອກແບບມັກງ່າຍ ຫຼື ບໍ່ກວດສອບ: ໃຊ້ຮູບແບບເລີ່ມຕົ້ນປ້ອນ PDF ที่ມີໂຄງສ້າງສັບສົນ ແລ້ວມານັ່ງບົ່ນວ່າຄຳຕອບບໍ່ດີ—ບັນຫາ 80% ມາจากการຕັດບ໋ອກ. ຕ້ອງກວດສອບຜົນການສະແດງຜົນສະເໝີ, ຖ້າຜິດພາດຕ້ອງປັບແຕ່ງ.
• ຄິດວ່າການມີການອ້າງອີງໝາຍເຖິງຄວາມຖືກຕ້ອງ 100%: ການອ້າງອີງທີ່ສາມາດຕິດຕາມໄດ້ແມ່ນເພື່ອໃຫ້ເຈົ້າ "ກວດສອບໄດ້", ບໍ່ແມ່ນ "ຮັບປະກັນຄວາມຖືກຕ້ອງ". ການອ້າງອີງຊ່ວຍຫຼຸດຄວາມສ່ຽງຈາກການຫຼອນ (Hallucination), ແຕ່ໂມເດວຍັງສາມາດເຂົ້າໃຈຜິດພາດໄດ້. ກະລຸນາໃຫ້ມະນຸດກວດສອບແຫຼ່ງທີ່ມາໃນກໍລະນີສຳຄັນ. ຢາກຮູ້ເພີ່ມເຕີມວ່າເປັນຫຍັງ AI ຈຶ່ງເວົ້າເລື່ອງມົ້ວ, ໃຫ້ອ່ານ AI Hallucination ຄືຫຍັງ?.
• ຄວາມເປັນສ່ວນຕົວຂອງຂໍ້ມູນທີ່ຍັງຄິດບໍ່ຮອບຄອບ: ການໃຊ້ໂມເດວຄລາວໝາຍເຖິງສ່ວນເອກະສານຂອງເຈົ້າຈະຖືກສົ່ງໄປຫາຜູ້ໃຫ້ບໍລິການໂມເດວ. ກະລຸນາໃຊ້ແນວທາງໂມເດວໃນເຄື່ອງສຳລັບຂໍ້ມູນທີ່ອ່ອນໄຫວ.

ຄວາມເຫັນຈາກ TheAI學院

ມີເຄື່ອງມື RAG ຫຼາຍຢ່າງໃນຕະຫຼາດ, ແຕ່ສ່ວນໃຫຍ່ເນັ້ນໄປທີ່ "ວິທີການເຊື່ອມຕໍ່ໂມເດວ, ວິທີການເກັບຮັກສາ Vector" ໂດຍສົມມຸດວ່າເອກະສານສາມາດອ່ານໄດ້ຢ່າງສະອາດ. ໃນຄວາມເປັນຈິງແລ້ວ, ການວິເຄາະເອກະສານແມ່ນຈຸດທີ່ເຮັດໃຫ້ 90% ຂອງໂປຣເຈັກພັງທະລາຍ. RAGFlow ໃຊ້ຄວາມພະຍາຍາມກັບ DeepDoc ແລະ ການສະແດງຜົນການຕັດບ໋ອກ, ເຊິ່ງເທົ່າกับการຍອມຮັບ ແລະ ແກ້ໄຂບັນຫາທີ່ຫຍຸ້ງຍາກນີ້ໂດຍກົງ. ສຳລັບທີມງານທີ່ຕ້ອງການສ້າງຖານຄວາມຮູ້ຂອງອົງກອນ ແລະ ຫົວຈະເລີນກັບຕາຕະລາງ ແລະ ໄຟລ໌ສະແກນ, ການຕັດສິນໃຈນີ້ຖືວ່າຖືກຕ້ອງ.

ເມື່ອເຮັດ RAG ດົນພໍ ເຈົ້າຈະເຂົ້າໃຈປະໂຫຍກໜຶ່ງ: ຄຸນນະພາບຂອງຄຳຕອບບໍ່ໄດ້ຊະນະເພາະໂມເດວເກັ່ງສ່ຳໃດ, ແຕ່ຊະນະເພາະເອກະສານຖືກອ່ານຢ່າງຖືກຕ້ອງຫຼືບໍ່. RAGFlow ວາງເດີມພັນໃສ່ຈຸດນີ້, ແລະ ມັນວາງຖືກທາງແລ້ວ.

ຕ້ອງສັງເກດວ່າມັນ