7.1k Star!RAGFlow:最新开源OCR+深度文档理解的RAG引擎、大海捞针测试、降低幻觉、服务化API集成进业务!

开源 0

cover_image
原文链接:(更好排版、视频播放、社群交流):7.1k Star!RAGFlow:最新开源OCR+深度文档理解的RAG引擎、大海捞针测试、降低幻觉、服务化API集成进业务!)

7.1k Star!RAGFlow:最新开源OCR+深度文档理解的RAG引擎、大海捞针测试、降低幻觉、服务化API集成进业务!

Aitrainee | 公众号:AI进修生

🌟RAGFlow 是一个 基于Deepdoc( 深度文档理解) 的开源 RAG(检索增强生成)引擎, 仅仅一月,Github斩获近7.1k
Star!

RAGFlow 大大提升知识库RAG的召回率, 不 仅智能,而且可控可解释、 真正在无限上下文(token)的场景下快速完成大海捞针测试、
提供易用的 API,可以轻松集成到各类企业系统。

体验地址:https://ragflow.io/

为了确保大家了解一下“先验知识“,这里解释一下:什么是RAG?

什么是RAG?

RAG
,也就是检索增强生成,听上去可能有点科技感,但其实这个概念相当直观。它基本上就是通过一个巧妙的方法来让大型语言模型(LLM)生成更精准、更有用的回答。

这个过程开始于一种特殊的数据库,我们可以称之为“垂直领域数据库”。当你向LLM提出一个问题时,RAG不是直接回答,而是先到这个数据库里去搜索与你的问题最相关的信息。这就好比你问了一个复杂的问题,RAG先跑去图书馆查资料。

接下来的步骤是关键:RAG把这些检索到的信息整合成一个精细的提示模板。然后,这个模板和你的原始问题一起被送到LLM。有了这个“答题纲要”,LLM就能够根据这些详细的信息给出一个更加全面和准确的答案。

简单来说,RAG的工作就是作为一个信息的搜集者和整合者,帮助LLM更好地理解和回应提问。一句话总结就是:RAG = 检索技术 +
LLM提示。就像你问一个问题,RAG先从各种数据源中找到相关信息,然后将这些信息融入到LLM的提示中,最后由LLM给出一个精准的回答。

通过这种方式,RAG实际上是在扩展LLM的知识边界,使其不仅依赖于训练时学到的信息,还能动态地利用最新、最相关的数据。这就大大提升了回答的质量和实用性,让机器的回答不再是冷冰冰的重复,而是真正有帮助的知识分享。

💡 RAGFlow 是什么?

首先,RAGFlow 作为一个全面的 RAG 解决方案,使用户能够上传和管理他们的文档。用户可以灵活地上传各种格式的文档,例如
PDF、Word、PPT、Excel 和 TXT。

通过智能解析,将数据准确录入数据库,允许用户使用任何大型语言模型查询其上传的文档。本质上,RAGFlow 包含以下端到端流程:

在处理文档时,RAGFlow 提供了多种选项:问答、简历、纸张、手册、表格、书籍、法律、一般文档等

智能文档处理的可视化和可解释性

在智能文档处理系统中,让用户能清楚了解他们上传的文档是如何被处理的非常重要。 比如,系统处理了多少部分,以及如何识别和处理文档中的图表、图形和表格。
因为基于大型语言模型(LLM)的系统不能保证完全准确,所以提供一个透明的过程让用户可以随时介入和控制,这非常关键。

尤其是处理PDF文档时,因为PDF格式多样且在各个行业中广泛使用,所以保持对处理过程的控制尤其重要。
ragflow不仅展示处理的最终结果,还允许用户查看文档解析的具体细节。

用户可以通过点击定位到文档中的原始文本,比较原文和处理后的文本之间的差异,并进行必要的编辑和修正,如添加、修改或删除信息。
这样的设计使得整个处理过程更加透明和可控,帮助用户更好地理解和使用系统。

查看 LLM 用于制定答复的原始文本

RAGFlow 是一个综合性的 RAG 系统。目前,许多开源 RAG 系统忽视了 RAG 的关键优势之一:使 LLM
能够以受控方式响应查询,推广一种理性的、基于证据的方法,消除幻觉。

人们普遍认为,根据模型的能力,LLM可能会遇到幻觉。 在这种情况下,RAG 产品应该随时为用户提供参考,使他们能够查看 LLM 用于制定答复的原始文本。

这就需要生成原始文本的引用链接,使用户能够将鼠标悬停在其上以访问原始内容,包括图表、图表和表格。如果不确定性仍然存在,点击参考文献应该会引导用户看到原始文本,如下图所示:

下面提供Ragflow官方的文档介绍、相关资源、部署教程等,进一步支撑你的行动,以提升本文的帮助力。

🌟 RAGFlow主要功能

🍭 “Quality in, quality out”

  • • 基于 深度文档理解 ,能够从各类复杂格式的非结构化数据中提取真知灼见。

  • • 真正在无限上下文(token)的场景下快速完成大海捞针测试。

🍱 基于模板的文本切片

  • • 不仅仅是智能,更重要的是可控可解释。

  • • 多种文本模板可供选择

🌱 有理有据、最大程度降低幻觉(hallucination)

  • • 文本切片过程可视化,支持手动调整。

  • • 有理有据:答案提供关键引用的快照并支持追根溯源。

🍔 兼容各类异构数据源

  • • 支持丰富的文件类型,包括 Word 文档、PPT、excel 表格、txt 文件、图片、PDF、影印件、复印件、结构化数据, 网页等。

🛀 全程无忧、自动化的 RAG 工作流

  • • 全面优化的 RAG 工作流可以支持从个人应用乃至超大型企业的各类生态系统。

  • • 大语言模型 LLM 以及向量模型均支持配置。

  • • 基于多路召回、融合重排序。

  • • 提供易用的 API,可以轻松集成到各类企业系统。

📌 新增功能

  • • 2024-05-08 集成大模型 DeepSeek

  • • 2024-04-26 增添了’文件管理’功能.

  • • 2024-04-19 支持对话 API ( 更多 ).

  • • 2024-04-16 集成嵌入模型 BCEmbedding 和 专为轻型和高速嵌入而设计的 FastEmbed 。

  • • 2024-04-11 支持用 Xinference 本地化部署大模型。

  • • 2024-04-10 为‘Laws’版面分析增加了底层模型。

  • • 2024-04-08 支持用 Ollama 本地化部署大模型。

  • • 2024-04-07 支持中文界面。

🔎 系统架构

🎬 快速开始

📝 前提条件

  • • CPU >= 4 核

  • • RAM >= 16 GB

  • • Disk >= 50 GB

  • • Docker >= 24.0.0 & Docker Compose >= v2.26.1

如果你并没有在本机安装 Docker(Windows、Mac,或者 Linux), 可以参考文档 Install Docker Engine
自行安装。

🚀 启动服务器

  1. 1. 确保 vm.max_map_count 不小于 262144 【 更多 】:

如需确认 vm.max_map_count 的大小: $ sysctl vm . max_map_count 如果 vm.max_map_count 的值小于 262144,可以进行重置: # 这里我们设为 262144: $ sudo sysctl - w vm . max_map_count = 262144
你的改动会在下次系统重启时被重置。如果希望做永久改动,还需要在 /etc/sysctl.conf 文件里把 vm.max_map_count 的值再相应更新一遍: vm . max_map_count = 262144

  1. 2. 克隆仓库:

    $ git clone https://github.com/infiniflow/ragflow.git

  2. 3. 进入 docker 文件夹,利用提前编译好的 Docker 镜像启动服务器:

    $ cd ragflow/docker
    $ chmod +x ./entrypoint.sh
    $ docker compose -f docker-compose-CN.yml up -d

请注意,运行上述命令会自动下载 RAGFlow 的开发版本 docker 镜像。如果你想下载并运行特定版本的 docker 镜像,请在
docker/.env 文件中找到 RAGFLOW_VERSION 变量,将其改为对应版本。例如
RAGFLOW_VERSION=v0.5.0,然后运行上述命令。

核心镜像文件大约 9 GB,可能需要一定时间拉取。请耐心等待。

  1. 4. 服务器启动成功后再次确认服务器状态:

    $ docker logs -f ragflow-server

出现以下界面提示说明服务器启动成功:

        ____                 ______ __     / __ / ____ _ ____ _ / ____// /____  _      __    / /_/ // __ `// __ `// /_   / // __ /| | /| / /   / _, _// /_/ // /_/ // __/  / // /_/ /| |/ |/ /  /_/ |_| /__,_/ /__, //_/    /_/ /____/ |__/|__/                /____/     * Running on all addresses (0.0.0.0)   * Running on http://127.0.0.1:9380   * Running on http://x.x.x.x:9380   INFO:werkzeug:Press CTRL+C to quit

如果您跳过这一步系统确认步骤就登录 RAGFlow,你的浏览器有可能会提示 network anomaly网络异常 ,因为
RAGFlow 可能并未完全启动成功。

  1. 5. 在你的浏览器中输入你的服务器对应的 IP 地址并登录 RAGFlow。

上面这个例子中,您只需输入 http://IP_OF_YOUR_MACHINE 即可:未改动过配置则无需输入端口(默认的 HTTP 服务端口 80)。

  1. 6. 在 service_conf.yaml 文件的 user_default_llm 栏配置 LLM factory,并在 API_KEY 栏填写和你选择的大模型相对应的 API key。

详见 ./docs/llm_api_key_setup.md。

好戏开始,接着奏乐接着舞!

🔧 系统配置

系统配置涉及以下三份文件:

  • • .env :存放一些基本的系统环境变量,比如 SVR_HTTP_PORTMYSQL_PASSWORDMINIO_PASSWORD 等。

  • • service_conf.yaml :配置各类后台服务。

  • • docker-compose-CN.yml : 系统依赖该文件完成启动。

请务必确保 .env 文件中的变量设置与 service_conf.yaml 文件中的配置保持一致!

./docker/README 文件提供了环境变量设置和服务配置的详细信息。请 一定要 确保 ./docker/README
文件当中列出来的环境变量的值与 service_conf.yaml 文件当中的系统配置保持一致。

如需更新默认的 HTTP 服务端口(80), 可以在 docker-compose-CN.yml 文件中将配置 80:80 改为 <YOUR_SERVING_PORT>:80

所有系统配置都需要通过系统重启生效:

$ docker compose - f docker - compose - CN . yml up - d

🛠️ 源码编译、安装 Docker 镜像

如需从源码安装 Docker 镜像:

$ git clone https://github.com/infiniflow/ragflow.git  $ cd ragflow/  $ docker build -t infiniflow/ragflow:v0.5.0 .  $ cd ragflow/docker  $ chmod +x ./entrypoint.sh  $ docker compose up -d

🛠️ 源码启动服务

如需从源码启动服务,请参考以下步骤:

  1. 1. 克隆仓库
$ git clone https://github.com/infiniflow/ragflow.git  $ cd ragflow/
  1. 2. 创建虚拟环境(确保已安装 Anaconda 或 Miniconda)
$ conda create -n ragflow python=3.11.0  $ conda activate ragflow  $ pip install -r requirements.txt

如果cuda > 12.0,需额外执行以下命令:

$ pip uninstall -y onnxruntime-gpu  $ pip install onnxruntime-gpu --extra-index-url https://aiinfra.pkgs.visualstudio.com/PublicPackages/_packaging/onnxruntime-cuda-12/pypi/simple/
  1. 3. 拷贝入口脚本并配置环境变量
$ cp docker/entrypoint.sh .  $ vi entrypoint.sh

使用以下命令获取python路径及ragflow项目路径:

$ which python  $ pwd

将上述 which python 的输出作为 PY 的值,将 pwd 的输出作为 PYTHONPATH 的值。

LD_LIBRARY_PATH 如果环境已经配置好,可以注释掉。

# 此处配置需要按照实际情况调整,两个export为新增配置  PY=${PY}  export PYTHONPATH=${PYTHONPATH}  # 可选:添加Hugging Face镜像  export HF_ENDPOINT=https://hf-mirror.com
  1. 4. 启动基础服务
$ cd docker  $ docker compose -f docker-compose-base.yml up -d 
  1. 5. 检查配置文件 确保 docker/.env 中的配置与 conf/service_conf.yaml 中配置一致, service_conf.yaml 中相关服务的IP地址与端口应该改成本机IP地址及容器映射出来的端口。

  2. 6. 启动服务

$ chmod +x ./entrypoint.sh  $ bash ./entrypoint.sh
  1. 7. 启动WebUI服务
$ cd web  $ npm install --registry=https://registry.npmmirror.com --force  $ vim .umirc.ts  # 修改proxy.target为127.0.0.1:9380  $ npm run dev 
  1. 8. 部署WebUI服务
$ cd web  $ npm install --registry=https://registry.npmmirror.com --force  $ umi build  $ mkdir -p /ragflow/web  $ cp -r dist /ragflow/web  $ apt install nginx -y  $ cp ../docker/nginx/proxy.conf /etc/nginx  $ cp ../docker/nginx/nginx.conf /etc/nginx  $ cp ../docker/nginx/ragflow.conf /etc/nginx/conf.d  $ systemctl start nginx

参考链接:

项目存储库:https://github.com/infiniflow/ragflow

项目网站:https://ragflow.io

在线演示:https://demo.ragflow.io

知音难求,自我修炼亦艰

抓住前沿技术的机遇,与我们一起成为创新的超级个体

(把握AIGC时代的个人力量)

**
**

** 点这里 👇 关注我,记得标星哦~ **

**
**

一键三连「分享」、「点赞」和「在看」

科技前沿进展日日相见 ~

也许您对下面的内容还感兴趣: