RAGFlow 教學：從零快速搭建企業級 RAG 知識庫與本地部署指南

想要打造精準度高、不胡說八道的企業級 AI 助理嗎？以下是 RAGFlow 的完整安裝與本地部署步驟教學，帶你快速上手這款強大的開源工具。

RAGFlow 教學：從零開始建立你的 AI 知識庫

RAGFlow 是一個強大的開源 RAG（檢索增強生成）引擎，旨在幫助企業與開發者輕鬆建立基於大型語言模型 (LLM) 的 AI 知識庫。無論你是開發者、數據研究人員，或是對 AI 應用有興趣的技術愛好者，本篇 RAGFlow 教學都將帶你一步一步完成安裝與配置，打造屬於你自己的智能問答系統。

為什麼企業級 RAG 應用首選 RAGFlow？

在眾多 RAG（Retrieval-Augmented Generation）工具中，RAGFlow 脫穎而出的關鍵在於其獨創的「深度文檔理解 (Deep Document Understanding)」技術。傳統的 RAG 系統在處理 PDF、Word 或 PPT 時，經常因為排版複雜、表格或圖片而導致文字擷取混亂，影響後續 AI 回答的準確性。而 RAGFlow 採用了基於視覺與版面分析的智能分塊（Chunking）機制，能夠精準識別文檔中的標題、段落、表格與圖片關係。這種「高精度的文檔解析技術」，能確保餵給 LLM 的 Context（上下文資料）極其乾淨，從而大幅降低 AI 的幻覺現象（Hallucinations），是目前構建企業私有知識庫最值得信賴的開源方案之一。

在開始進行 RAGFlow 安裝之前，我們建議先了解其基本運行架構，這能幫助你在後續的客製化配置中更加得心應手。

RAGFlow 本地部署與安裝指南

1. 系統要求：

在開始 RAGFlow 教學之前，請先確認你的主機系統符合以下硬體要求，以確保後續 Docker 容器與檢索服務能順利運行：

• CPU： 至少 4 核心（強烈建議 8 核心以上，以加快文件解析與向量化速度）
• 記憶體 (RAM)： 至少 16 GB（建議 32 GB 以上，特別是當你需要處理大型知識庫或運行本地 embedding 模型時）
• 磁碟空間： 至少 50 GB（建議使用 NVMe SSD，以顯著提升 Elasticsearch 的讀寫效能）
• Docker： 版本 24.0.0 或更高
• Docker Compose： 版本 v2.26.1 或更高

2. 安裝 Docker 和 Docker Compose：

Docker 和 Docker Compose 是運行 RAGFlow 的核心容器化基礎。如果你的伺服器尚未安裝，請參考 Docker 官方文檔 進行安裝。確保 Docker 服務已啟動並設定為開機自啟，這樣才能繼續進行 RAGFlow 安裝的後續步驟。Docker 能夠確保 RAGFlow 及其依賴項（如 Elasticsearch, PostgreSQL, Redis 等）在隔離環境中穩定運作，而 Docker Compose 則讓我們可以透過單一指令一鍵啟動這些多容器服務。

3. 設置系統參數：

由於 RAGFlow 內部整合了高密度的全文檢索與向量檢索組件（基於 Elasticsearch），系統必須調整 Linux 核心參數，否則會因為內存映射（Memory Map）限制而導致資料庫啟動失敗。請確保將 vm.max_map_count 的值設定為不小於 262144：

# 檢查當前系統值
sysctl vm.max_map_count

# 如果小於 262144，請執行此指令暫時啟用
sudo sysctl -w vm.max_map_count=262144

為了讓此配置在系統重啟後依然有效，請編輯 /etc/sysctl.conf 文件，在檔案最末端添加以下內容：

vm.max_map_count=262144

完成這個設定能避免 Elasticsearch 在 RAGFlow 運作時突然崩潰，這是確保系統高可用性（High Availability）的重要一環。

4. 下載 RAGFlow 原始碼：

使用 Git 將 RAGFlow 的官方 GitHub 儲存庫克隆（Clone）到你的本地環境：

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

5. 啟動 RAGFlow 伺服器：

進入專案中的 docker 目錄，並利用 Docker Compose 啟動所有相關服務：

cd ragflow/docker
sudo docker-compose -f docker-compose.yml up -d

此操作將會自動下載並啟動 RAGFlow 的核心 Docker 鏡像。請注意，由於整合了多個高階 AI 引擎與資料庫，鏡像檔案較大（約為 1 GB 以上），下載時間取決於您的網路速度。使用 -d 參數可以讓容器在背景（Background）運行，釋放您的終端機視窗。如果您在啟動時遇到錯誤，可以移除 -d 參數來檢視詳細的啟動日誌（Log）。

6. 檢查服務器狀態：

您可以使用以下指令即時監控 RAGFlow 的伺服器日誌，確認所有初始化腳本是否順利執行：

docker logs -f ragflow-server

當終端機出現以下訊息時，代表您的 RAGFlow 伺服器已成功啟動並準備就緒：

* 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

7. 訪問 RAGFlow 網頁控制台：

打開瀏覽器並輸入伺服器的 IP 地址，即可進入 RAGFlow 直覺友好的 Web UI 介面。在預設配置下，HTTP 服務端口為 80。如果您是在本機測試 RAGFlow，直接瀏覽 http://localhost 即可。若是部署在雲端 VM，請確保您的防火牆已開放對應的端口（如 9380 或 80），以便順利連線。

8. 配置 RAGFlow 整合 LLM：

要讓 RAGFlow 開始進行推理問答，我們需要為其接入大語言模型。在 service_conf.yaml 檔案中，將 user_default_llm 設定為你偏好的 LLM 供應商（例如 OpenAI、Anthropic 或本地運行的 Ollama），並在 API_KEY 欄位填寫你的 API 金鑰。RAGFlow 的優勢在於其優異的兼容性，它不僅支援 GPT-4、Claude 3 等主流雲端 API，也能完美對接本地部署的 Llama 3 或是 Mistral，實現完全私有化的數據安全閉環。

9. 開始構建你的第一個 AI 知識庫：

完成上述部署與模型配置後，恭喜你！你已經成功建立了自己的 RAGFlow 系統。現在你可以登入後台，創建第一個專屬知識庫，並上傳 PDF、Markdown 或 txt 文件。RAGFlow 將自動進行高精度的文檔解析，讓你一鍵開啟高準確度的 AI 智能對話。

本篇 RAGFlow 教學旨在幫助你跨出本地部署的第一步。如果在安裝過程中遇到任何架構或調優問題，建議造訪 RAGFlow 官方中文文檔 獲取最新的社群支援與更新資訊。祝你的 AI 知識庫建置順利！

---