把几百页规程 PDF 变成会问答的知识库：RAGFlow 从零部署手记

为什么需要知识库

电站运行年头久了，手里攒下的资料实在不少：运行规程、检修工艺卡、设备说明书、历年事故通报，加起来几百页起步。问题是真到要用的时候，谁也记不住某条规定到底在哪本册子的第几页——大多数时候靠问老师傅，老师傅再凭印象。

我一直想要这么一个东西：用大白话提问，它去翻这些 PDF，把答案找出来，还能告诉我是哪一页第几条。通用 AI 聊天机器人干不了这个——它没有你的资料，你把整本规程贴给它也不现实，还涉及资料外传。

RAGFlow 就是干这件事的开源项目：一个专注于"深度文档理解"的 RAG（检索增强生成）引擎。它在 GitHub 上有 9 万多 star，Apache 2.0 许可，国内团队开发，中文文档友好。它的特点是先把 PDF 版面分析、表格识别、OCR 做透，再切块入库，回答时给出处引用——这正对我的场景。

▲ 图 1：RAGFlow 系统架构（来源：RAGFlow 官方文档仓库 images/structure.jpg）

部署前的准备

先说清楚门槛，别白忙：

• 需要一台 Linux x86-64 的机器（官方明确 ARM64 暂不支持原生镜像），装 Docker 24.0+ 和 Docker Compose v2.26+；
• 建议 4 核 CPU、16 GB 内存、50 GB 空闲磁盘起；
• RAGFlow 本身不带大模型，需要你自己配一个模型服务的 API Key（也可以用 Ollama 接本地模型）。

内存不够的朋友可以到此为止，先看我的另一篇本地聊天方案。

三步把服务跑起来

官方文档的 quickstart 流程非常短，我照做一遍也就十分钟：

git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker
# 按官方 quickstart 检出对应 release tag，再启动
docker compose -f docker-compose.yml up -d

有一个容易忽略的前置条件：默认用 Elasticsearch 做文档引擎，要求宿主机的 vm.max_map_count 至少 262144：

sudo sysctl -w vm.max_map_count=262144

国内网络的关键一步：镜像默认从 Docker Hub 拉，大概率超时。RAGFlow 在 docker/.env 里贴心地预留了国内镜像地址，把 RAGFLOW_IMAGE 一行换成阿里云或华为云的镜像（例如 registry.cn-hangzhou.aliyuncs.com/infiniflow/ragflow 加对应版本标签）就能顺下来。

启动后看一眼日志确认服务就绪，再做个健康检查：

docker logs -f ragflow-cpu
curl -f http://localhost/api/v1/system/healthz

返回 200 后，浏览器打开 http://<机器IP>（默认 80 端口，可在 .env 改 SVR_WEB_HTTP_PORT），注册管理员账号进系统。

上手实操：建库、传文件、开聊

进系统后右上角头像 → Model providers，把你用的模型服务 API Key 填进去并设为默认（Chat 模型和 Embedding 模型都要设）。然后回到顶部 Dataset 页签，Create dataset。

▲ 图 2：创建知识库（来源：RAGFlow 官方文档 quickstart 截图）

这一步有两个选项要留意：

• Embedding 模型：官方明确说，一旦用它解析过文件就不能再换，建库前先想好，建议选中文能力好的；
• 分块模板（chunk template）：按文档类型选，说明书、论文、表格各有对应模板，选错会影响检索质量。

建好后 Add file 上传文件开始解析。官方支持的格式很全：PDF、Word、TXT、Markdown、Excel、CSV 乃至 PPT 和图片（走 OCR）都能吃。解析完点开文件能看到切块结果，不满意可以手动改，这也是 RAGFlow 比其他方案透明的地方。

▲ 图 3：文档解析分块演示（来源：RAGFlow 官方文档仓库演示动图）

最后是 Chat：新建一个对话助手，Model 选你配的 Chat 模型，Datasets 里勾上刚建的知识库，保存后就能问了。它回答时会附上引用片段，点引用直接跳到原文，"哪一页第几条"这个诉求就实现了。

用下来的体会是：答案质量七分靠文档解析，三分靠模型。切块切得碎、表格识别错，后面再强的模型也救不回来，所以解析那一步值得多花点时间检查。

▲ 图 4：对话助手配置（来源：RAGFlow 官方文档）

进阶：让它替你跑流程

玩熟基础问答后，可以试它的模板化分块和手工干预：解析出的 chunk 可以逐个编辑、合并、禁用，把"这条被切坏了"修回去。再往上，RAGFlow 支持把检索、问答串成带逻辑的 agentic 工作流，官方仓库有完整演示——比如先检索规程，再根据条款生成处置建议的多步流程。

▲ 图 5：Agentic 工作流演示（来源：RAGFlow 官方仓库 README 引用的演示动图）

坑点提醒

• 别用 ARM 机器，装不上别硬来；手头只有 Windows 的话，建议在 WSL2 或一台小服务器上跑。
• 默认密码要改。.env 里 MySQL 等默认口令是公开写在仓库里的，要对公网开放前务必换强密码。
• 解析卡住先看日志：docker logs ragflow-cpu 基本能定位是文件本身还是模型调用的问题。
• 1.0 目前还是 rc 阶段，版本号和容器名（ragflow-cpu）以官方文档当时的 release 为准，升级前备份数据目录。
• embedding 选错只能重建知识库，没有后悔药。

总结

RAGFlow 把"几百页 PDF 变成会问答的值班手册"这件事做到了开箱即用：Docker 一把起，建库、传文件、配模型三步完事，回答带引用可回溯。对资料密集型的岗位，它能省下大量翻册子的时间。我的下一步是把事故通报和反措要求整理进去，再在班组里小范围试用，稳定后再写一篇复盘。