Panduan RAGFlow: Cara Pasang Enjin RAG Open-Source, Masukkan Dokumen, dan Cegah AI Daripada Berbohong

Mukaddah: Apabila AI Membaca PDF Menjadi Hurai-hara

Saya pernah melihat satu kes sebenar: Sebuah syarikat mahu membina pangkalan pengetahuan dalaman dan memasukkan PDF lebih tiga ratus manual produk ke dalam sistem RAG. Hasilnya, apabila AI menjawab, ia menyambungkan nombor jadual ke perenggan teks yang lain dan memetik penafian hak cipta di bahagian kaki surat sebagai teks utama. Apabila ditanya, "Berapakah kuasa untuk Model A?", ia dengan yakin menjawab nombor yang sebenarnya milik Model B. Jurutera yang bertanggungjawab berkata sambil tersenyum kelat, masalahnya bukan kerana model itu bodoh, tetapi "dokumen tersebut langsung tidak dibaca dengan betul sejak awal."

Inilah bahagian yang benar-benar sukar tentang RAG — bukannya menyambungkan model, tetapi memotong dokumen yang mempunyai reka bentuk kompleks, jadual, dan fail imbasan kepada segmen yang boleh dihadam oleh model dengan betul. RAGFlow memberi tumpuan khusus pada perkara ini. Artikel ini akan membawa anda memasukkan secara praktikal, menyuap dokumen, dan membolehkannya melampirkan sumber rujukan.

Apakah itu RAGFlow

RAGFlow ialah enjin RAG (Retrieval-Augmented Generation) sumber terbuka yang dikeluarkan oleh InfiniFlow, dengan kod sumber yang diterbitkan di GitHub. Jika anda masih belum pasti apakah itu RAG, adalah lebih baik untuk membaca artikel kami Apakah itu RAG dahulu — secara ringkasnya, ia membolehkan AI merujuk timbunan data anda sebelum menjawab, dan kemudian memberikan jawapan berdasarkan apa yang ditemui, bukannya bercakap kosong berdasarkan ingatan semata-mata.

Perkara paling ketara yang membezakan RAGFlow daripada alat RAG yang lain ialah apa yang dipanggil sebagai "pemahaman dokumen mendalam" atau DeepDoc. Alat biasa membaca PDF dengan mengekstrak teks secara paksa, dan reka bentuk yang kompleks akan menjadi huru-hara. RAGFlow akan memahami struktur reka bentuk — di mana tajuk, jadual, dan perenggan berada, malah fail imbasan (PDF berasaskan imej) boleh diproses melalui OCR. Ia menyokong pelbagai format seperti Word, fail persembahan, Excel, teks biasa, imej, fail imbasan, data berstruktur, dan halaman web.

Satu lagi titik tumpuan penting ialah petikan yang boleh dikesan. Apabila menjawab, ia akan menandakan asas kepada jawapan tersebut, membolehkan anda melihat "ayat ini datang daripada bahagian mana dalam dokumen mana", sekali gus mengurangkan kebarangkalian anda ditipu oleh AI secara mendadak. Ia juga menyepadukan platform jenis Dify dalam penyusunan Ejen (Agent), menyokong penggabungan RAG, alat, dan MCP ke dalam aliran kerja visual.

Apa yang Boleh Dilakukan

• Pangkalan Pengetahuan Dalaman Syarikat: Masukkan manual produk, SOP, dan draf kontrak. Kakitangan boleh bertanya menggunakan bahasa asli, dan jawapannya disertakan dengan sumber rujukan.
• Bahagian Belakang Soal Jawab Khidmat Pelanggan: Sambungkan soalan lazim dan dokumen teknikal untuk bertindak sebagai otak chatbot.
• Penyelidikan dan Analisis: Kes undang-undang, laporan kewangan, dan kertas penyelidikan yang mempunyai reka bentuk kompleks dan memerlukan petikan tepat menepati kekuatan DeepDoc.
• Otak Kedua Peribadi: Masukkan nota dan e-buku yang anda kumpul selama bertahun-tahun untuk mengubahnya menjadi pangkalan pengetahuan yang boleh diajak berborak.

Jika anda ingin memahami cara keseluruhan sistem RAG digabungkan, anda boleh membacanya bersama Panduan Pelaksanaan RAG.

Cara Menggunakan: Permulaan Pertama

RAGFlow digunapakai menggunakan Docker. Prosesnya tidak begitu sukar, tetapi ia mempunyai sedikit keperluan terhadap perkakasan, jadi mari kita lihat spesifikasi dahulu.

1. Sahkan Keperluan Sistem

Cadangan rasmi: Sekurang-kurangnya CPU 4 teras, RAM 16GB, dan storan cakera 50GB, bersama Docker 24 ke atas dan Docker Compose v2.26 ke atas. Keperluan memori ini sangat penting — ia perlu menjalankan enjin carian vektor, dan memori yang tidak mencukupi akan menyebabkannya terus mengalami kerosakan (crash), jadi jangan berfikir untuk menggunakan mesin kecil 4GB secara paksa.

2. Tarik Projek dan Mulakan

Selepas melakukan clone daripada GitHub, masuk ke direktori docker dan mulakan:

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

Kali pertama ia berjalan, ia akan mengambil agak banyak imej (image), jadi teguk secawan kopi sementara menunggu. Selepas selesai, gunakan docker ps untuk mengesahkan bahawa semua bekas (container) telah berjalan.

3. Buka Lahan Belakang dan Tetapkan Model

Selepas perkhidmatan berjalan, buka pelayar web ke http://IP-hos-anda (port 80 secara lalai). Daftar akaun untuk log masuk, kemudian pergi ke bahagian tetapan untuk memasukkan kunci API model — langkah ini tidak boleh dilangkau. RAGFlow sendiri tidak menyertakan model; anda perlu memberitahunya LLM mana yang hendak digunakan (untuk menjawab) dan model embedding mana yang hendak digunakan (untuk menukar teks kepada vektor). Anda boleh memasukkan OpenAI, pelbagai model awan, atau menyambungkan Ollama tempatan.

4. Bina Pangkalan Pengetahuan dan Suap Dokumen

Cipta sebuah Knowledge Base dan muat naik fail PDF serta Word anda. Perkara penting di sini: Selepas memuat naik, anda mesti memilih templat potongan (chunk method). RAGFlow menyediakan pelbagai templat yang sepadan dengan jenis dokumen yang berbeza — dokumen umum, kertas penyelidikan, buku, undang-undang, bahan persembahan, jadual, pasangan soal jawab, dan lain-lain. Memilih templat yang betul membuatkan kualiti potongan jauh berbeza. Selepas memilih, klik huraikan (parse), dan ia akan menjalankan DeepDoc untuk memecahkan dokumen kepada beberapa segmen.

5. Semak Keputusan Potongan

Ini adalah fungsi paling penting yang harus digunakan pada RAGFlow: Selepas menghuraikan dokumen, ia akan memaparkan keputusan potongan secara visual untuk anda lihat. Anda boleh melihat rupa setiap potongan dan kedudukan asal yang sepadannya. Jika anda mendapati ia dipotong dengan salah — contohnya jadual terputus — anda boleh melaraskannya secara manual. Jangan anggap ia merumitkan, kerana langkah ini menentukan secara langsung sama ada jawapan seterusnya akan tepat atau tidak.

6. Bina Pembantu Perbualan dan Uji Soal Jawab

Sebaik sahaja potongan tidak mempunyai masalah, bina sebuah Chat, sambungkan pangkalan pengetahuan ini kepadanya, dan anda boleh mula bertanya soalan. Apabila ia menjawab, ia akan melampirkan sumber rujukan, di mana anda boleh mengkliknya untuk melompat ke segmen teks asal.

Petua Lanjutan

Bahagikan Pangkalan Mengikut Jenis Templat Dokumen: Jangan letakkan kontrak undang-undang dan taklimat produk ke dalam pangkalan pengetahuan yang sama menggunakan templat yang sama. Reka bentuknya terlalu berbeza, dan logik pemotongannya tidak sama. Membina pangkalan secara berasingan dan memilih templat masing-masing akan meningkatkan ketepatan dengan ketara.

Manfaatkan Carian Hibrid: RAGFlow melakukan carian vektor dan carian kata kunci BM25 secara serentak, serta menambah penyusunan semula (re-rank). Carian vektor tulen selalunya gagal menangkap pertanyaan seperti "kata nama tepat, nombor bahagian, nombor klausa", dan carian kata kunci melengkapkan kekurangan ini dengan tepat. Ia tersedia secara lalai, tetapi anda boleh melaraskan pemberatnya.

Sambungkan Ollama untuk Menjalankan Model Tempatan: Bagi mereka yang mementingkan privasi data dan tidak mahu menghantar dokumen syarikat ke awan, anda boleh menghalakan LLM dan model embedding kepada Ollama tempatan, dan menjalankan keseluruhan set secara luar talian (offline). Harganya ialah anda memerlukan perkakasan yang lebih baik.

Gunakan API untuk Berhubung ke Sistem Sendiri: RAGFlow menyediakan API, membolehkan anda menggunakannya sebagai lapisan carian belakang (backend retrieval layer), sementara bahagian hadapan (frontend) menggunakan antara muka anda sendiri, atau disambungkan kepada sistem khidmat pelanggan sedia ada. Untuk melakukan aliran kerja yang lebih kompleks, anda juga boleh menggunakan fungsi penyusunan Ejen (Agent) miliknya, di mana konsepnya bersambung dengan kit Pembangunan AI Agent.

Ralat Lazim dan Perkara yang Perlu Diberikan Perhatian

• Memasang Secara Paksa dengan Memori Terlalu Kecil: 16GB adalah garis asas dan bukannya cadangan. Di bawah paras ini, bekas akan kerap mengalami kerosakan berulang kali, dan pembimbing pemula selalunya tersangkut di sini tanpa mengetahui sebabnya.
• Lupa Menetapkan Model Embedding: Ramai orang hanya menetapkan LLM untuk menjawab dan terlupa tentang model embedding, mengakibatkan dokumen langsung tidak divektorkan dengan betul, dan apa sahaja soalan yang ditanya tidak akan dijawab dengan tepat. Kedua-duanya mesti ditetapkan.
• Memilih Templat Potongan Secara Rawak atau Tidak Menyemaknya: Menggunakan templat lalai untuk menyuap PDF dengan struktur yang kompleks, dan kemudian merungut bahawa jawapannya teruk — masalahnya berkemungkinan besar berpunca daripada potongan tersebut. Anda mesti melihat keputusan visual, dan melantunkan pelarasan jika ia rosak.
• Menganggap Petikan Bermaksud 100% Tepat: Petikan yang boleh dikesan adalah untuk membolehkan anda "mengesahkan", bukannya "jaminan betul". Petikan mengurangkan risiko halusinasi, tetapi model mungkin masih tersilap membaca segmen tersebut. Sila semak semula sumber rujukan secara manual untuk senario penting. Untuk mengetahui lebih lanjut tentang sebab AI bercakap kosong, baca Apakah itu Halusinasi AI.
• Privasi Data Tidak Dipertimbangkan dengan Teliti: Dengan menggunakan model awan, segmen dokumen anda akan dihantar kepada pengeluar model. Sila gunakan penyelesaian model tempatan untuk data sensitif.

Ulasan Akademi TheAI

Terdapat banyak alat di pasaran yang boleh menyambungkan RAG, tetapi kebanyakannya memberi tumpuan kepada "cara menyambungkan model dan cara menyimpan vektor", sambil menganggap bahawa dokumen boleh dibaca dengan bersih. Secara praktikalnya, penghuraian dokumen adalah tempat 90% projek menemui kegagalan. RAGFlow melaburkan usahanya pada DeepDoc dan visualisasi potongan, yang bermaksud ia mengakui dan menangani kerja paling rumit ini secara langsung. Bagi pasukan yang ingin membina pangkalan pengetahuan korporat dan menjadi gila akibat jadual serta fail imbasan, pertimbangan ini adalah sangat tepat.

Setelah lama membuat RAG, anda akan memahami satu ayat: Kualiti jawapan tidak dimenangi oleh betapa hebatnya model tersebut, tetapi dimenangi oleh sama ada dokumen itu dibaca dengan betul atau tidak. RAGFlow meletakkan taruhannya di sini, dan taruhan itu tepat.

Perlu diingatkan bahawa ia adalah alat berorientasikan kejuruteraan; anda perlu menguasai Docker dan mempunyai mesin yang baik, ia bukanlah perkhidmatan awan yang boleh digunakan serta-merta selepas pemasangan. Jika anda hanya seorang individu yang ingin mencuba RAG secara mudah, ambang laluannya mungkin agak tinggi; tetapi jika anda ingin membina sendiri, mempunyai kawalan, dan mengendalikan dokumen kompleks, ia sememangnya berbaloi untuk meluangkan masa setengah hari memasangnya dan bermain dengannya.

Sumber Data

• Laman Web Rasmi RAGFlow
• GitHub RAGFlow