💡 Что такое RAGFlow?

RAGFlow[1] — это движок RAG (дополненная генерация извлечения) с открытым исходным кодом, построенный на глубоком понимании документов. RAGFlow может обеспечить оптимизированный рабочий процесс RAG для предприятий и частных лиц любого размера и сочетает его с большими языковыми моделями (LLM), чтобы предоставить пользователям надежные вопросы и ответы, а также обоснованные ссылки на различные типы данных в сложных форматах.

🌟 Основные функции

🍭 "Quality in, quality out"

•Основываясь на глубоком понимании документов [2], он может извлекать ценную информацию из неструктурированных данных в различных сложных форматах. • Быстрое выполнение теста «иголка в стоге сена» в сценариях бесконечного контекста (токена).

🍱 Нарезка текста на основе шаблонов

• Не только умно, но, что более важно, контролируемо и объяснимо. • Различные текстовые шаблоны на выбор.

🌱 Разумное и обоснованное, сводящее к минимуму галлюцинации.

• Визуализация процесса нарезки текста и поддержка ручной настройки. •Веские доказательства: ответ представляет собой снимок ключевых ссылок и позволяет отследить источник.

🍔 Совместимость с различными гетерогенными источниками данных

• Поддерживает различные типы файлов, включая документы Word, PPT, таблицы Excel, текстовые файлы, изображения, PDF-файлы, фотокопии, фотокопии, структурированные данные, веб-страницы и т. д.

🛀 Беспроблемный автоматизированный рабочий процесс RAG

• Полностью оптимизированный рабочий процесс RAG может поддерживать различные экосистемы — от персональных приложений до очень крупных предприятий. • И большая языковая модель LLM, и векторная модель поддерживают конфигурацию. • На основе многоканального вызова и слияния переупорядочения. •Предоставить простые в использовании API-интерфейсы, которые можно легко интегрировать в различные корпоративные системы.

📌 Новые функции

• 16 апреля 2024 г. Добавлена ​​модель внедрения BCEmbedding[3]. • 16 апреля 2024 г. Добавлен FastEmbed[4]. Предназначен для легкого и высокоскоростного встраивания. •11 апреля 2024 г. Поддерживается локализованное развертывание больших моделей с использованием Xinference[5]. •10 апреля 2024 г. Добавлена ​​базовая модель для анализа макета «Законы». •08 апреля 2024 г. Поддержка локализованного развертывания крупных моделей с помощью Ollama[6]. •2024-04-07 Поддержка китайского интерфейса.

🔎 Архитектура системы

🎬 Быстрый старт

📝 Предпосылки

•CPU >= 2 Ядро · ОЗУ >= 8 GB•Docker >= 24.0.0 & Docker Compose >= v2.26.1, если вы не устанавливали его локально Docker (Windows, Mac или Linux）, Вы можете обратиться к документации Install Docker Engine[9] Установите его самостоятельно.

🚀 Запустите сервер

1. Обеспечьте vm.max_map_count не менее чем 262144 【Подробнее[10]】：

Для подтверждения vm.max_map_count размер:

  $ sysctl vm.max_map_count

если vm.max_map_count Значение меньше, чем 262144, можно сбросить:

  # Здесь мы установили его на 262144:
  $ sudo sysctl -w vm.max_map_count=262144

Ваши изменения будут сброшены при следующем перезапуске системы. если вы хотите внести постоянные изменения, вам все равно нужно /etc/sysctl.conf Поместите это в файл vm.max_map_count Значение обновляется соответственно:

 vm.max_map_count=262144

1. Клонируйте репозиторий:

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

1. Войдите docker папку, используя предварительно скомпилированный Docker Зеркало для запуска сервера:

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

Размер файла основного образа составляет около 15 ГБ, и для его извлечения может потребоваться некоторое время. Пожалуйста, подождите.

1. После успешного запуска сервера еще раз подтвердите статус сервера:

 $ docker logs -f ragflow-server

1. Введите соответствующий код вашего сервера в браузере. IP адрес и логин RAGFlow. В приведенном выше примере вы просто вводите http://IP_OF_YOUR_MACHINE Вот и все: Если конфигурация не менялась, то нет необходимости вводить порт (по умолчанию HTTP сервисный порт 80). 2. в service_conf.yaml[11] Документальный фильм user_default_llm конфигурация столбца LLM заводе и в API_KEY Заполните столбцы, соответствующие выбранной вами большой модели. API key。

Подробности см. в ./docs/llm_api_key_setup.md[12].

Начинается веселье, затем музыка и танцы!

🔧 Конфигурация системы

Конфигурация системы включает следующие три файла:

•.env[13]: хранит некоторые основные переменные системной среды, такие как SVR_HTTP_PORT、MYSQL_PASSWORD、MINIO_PASSWORD ждать. •service_conf.yaml[14]: настройка различных фоновых служб. •docker-compose-CN.yml[15]: Система использует этот файл для завершения запуска.

Убедитесь, что настройки переменных в файле .env[16] соответствуют конфигурации в файле service_conf.yaml[17]!

./docker/README[18] Файл содержит настройки и службы переменных среды.Конфигурация Подробности。пожалуйстадолженубеждаться ./docker/README[19] Значения переменных среды, перечисленных в файле, такие же, как service_conf.yaml[20] Конфигурация системы в файле остается неизменной.

Чтобы обновить настройки по умолчанию HTTP сервисный порт(80), Можно найти в docker-compose-CN.yml[21] Файл будет настроен 80:80 Изменить на <YOUR_SERVING_PORT>:80。

Все конфигурации системы должны вступить в силу после перезагрузки системы:

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

🛠️ Скомпилируйте исходный код и установите образ Docker.

Чтобы установить образ Docker из исходного кода:

$ git clone https://github.com/infiniflow/ragflow.git$ cd ragflow/$ docker build -t infiniflow/ragflow:v0.2.0 .
$ cd ragflow/docker$ chmod +x ./entrypoint.sh$ docker compose up -d

📚Техническая документация

•FAQ[22]

📜 Дорожная карта

Подробности см. в дорожной карте RAGFlow на 2024 год[23].

🏄 Сообщество открытого исходного кода

•Discord[24]•Twitter[25]

🙌 Руководство по вкладу

RAGFlow Только Открытый исходный код Сотрудничество процветает. В этом духе мы приветствуем любой вклад сообщества. Если вы заинтересованы в участии, ознакомьтесь с нашими правилами для участников[26] 。

заявление

Эта статья была переведена и скомпилирована компанией Shanxing по адресу: https://github.com/infiniflow/ragflow.,если это полезно для вас,Пожалуйста помогите лайком, сосредоточьтесь и соберите,Спасибо~

References

[1] RAGFlow: https://demo.ragflow.io/ [2] Глубокое понимание документации: https://github.com/infiniflow/ragflow/blob/main/deepdoc/README.md [3] BCEmbedding: https://github.com/netease-youdao/BCEmbedding [4] FastEmbed: https://github.com/qdrant/fastembed [5] Xinference: https://github.com/infiniflow/ragflow/blob/main/docs/xinference.md [6] Ollama: https://github.com/infiniflow/ragflow/blob/main/docs/ollama.md [22] FAQ: https://github.com/infiniflow/ragflow/blob/main/docs/faq.md [23] RAGFlow Roadmap 2024: https://github.com/infiniflow/ragflow/issues/162 [24] Discord: https://discord.gg/4XxujFgUN7 [25] Twitter: https://twitter.com/infiniflowai [26] Рекомендации для участников: https://github.com/infiniflow/ragflow/blob/main/docs/CONTRIBUTING.md