ragflow

使用RAGFlow搭建本地知识库说起本地知识库，可能很多人会觉得这是个很高大上的技术活儿，好像只有专业团队才能搞定。但今天要介绍的 RAGFlow，正在让这件事变得前所未有的简单——哪怕你是技术小白，只要跟着步骤来，也能搭建起属于自己的本地知识库系统。

福大大架构师每日一题

ragflow v0.25.1 最新版发布：API 统一、PDF 解析性能大幅优化、连接器删除同步全面增强，更新要点一次看懂github.com/infiniflow/ragflow 的 v0.25.1 于 2026 年 5 月 2 日发布。这次版本更新可以说是一次“全面升级”：一方面对 Web API、HTTP API、RESTful 路由进行了大规模统一和重构，另一方面在文档解析、PDF 大文件处理、数据源同步、模型支持、问题修复等方面也有明显增强。

RAGFlow0.25版本更新与记忆工作流简介全文链接：RAGFlow0.25版本更新与记忆工作流简介本文归纳 RAGFlow 自 v0.20.0 起至 v0.25.0 区间在官方发布说明中的主要功能与重大变更，并单独说明 Memory（记忆）模块的定位、配置要点与可落地的 Agent 工作流（含文字箭头流程图）。具体子版本与修复项繁多，以官方 Release notes 与各版本 GitHub Release为准；升级前务必阅读对应版本的 Breaking changes / 数据库迁移说明。

RAG与RAGFlow详解：从原理到应用RAG全称是Retrieval-Augmented Generation（检索增强生成），是一种将信息检索与大语言模型生成能力结合的技术架构。

合合技术团队

RAGFlow集成TextIn方案2.0上线！支持快速镜像部署，随时切换解析插件当前基于 RAGFlow v0.24.0 | 插件式集成本项目是RAGFlow的增强版本，集成了TextIn文档智能解析能力，提供更高质量的PDF文档理解。

第七章：RAG知识库开发之【RAG开源应用完全解析：从RAGFlow到Dify的实战指南】目录前言一、RAGFlow应用分析1.1 RAGFlow概述与核心定位1.2 核心技术架构深度剖析1.2.1 深度文档理解技术

RAGFlow v0.19图文混排：详细拆解+预处理增强案例RAGFlow在5/26 正式更新了v0.19版本，其中有两点值得关注。首当其冲的是在 Agent 模块（也就是工作流）新增了代码执行组件，这个被吐槽了很久了 RAGFlow工作流编排功能，终于可以处理更加复杂的任务了。

福大大架构师每日一题

RAGFlow v0.24.0 发布！全新「内存系统 + 多沙箱引擎 + OceanBase 支持」惊艳登场，功能全面革新！RAGFlow 迎来了具有里程碑意义的版本 —— v0.24.0。这一版本在 AI 记忆系统、代理管理、检索优化、生态数据库支持、模型接入以及多沙箱体系架构等多个方向上都进行了深度升级。可以说，v0.24.0 是一次真正意义上的“全栈强化版本”，不仅优化了开发者体验，也极大提升了系统稳定性、可扩展性和易用性。

RAGFlow v0.20的Agent重大更新：text2sql的Agent案例测试RAGFlow 在 8 月 4 号更新了 v0.20 版本，这是时隔两个多月之后，更新的一个里程碑式的版本，RAGFlow 在 Agent 板块的拼图这次终于算是完整了。其实早在一年前，RAGFlow 就有了 Agent 模块，但是一直只包含 Workflow。而且相比于 Dify 而言，社群对这部分的工具/插件的丰富度、易用性和 UI 美观度而言，一直也有吐槽。

杂记：ragflow元数据在 RAG（Retrieval-Augmented Generation）系统中，尤其是像 RAGFlow 这样的增强型检索生成框架中，利用元数据（metadata）过滤是提高检索准确性和效率的关键手段。通过合理设计和使用元数据，可以有效缩小检索范围、排除无关文档，从而提升最终问答或生成结果的质量。

window环境pycharm搭建ragflow二开环境通过以下地址下载ragflow源码https://codeload.github.com/infiniflow/ragflow/zip/refs/heads/main

RAG系统架构以上是从原始数据到最终返回 Top-K 结果的完整流程的信息检索或 RAG（Retrieval-Augmented Generation）系统架构图。整个流程分为四个主要阶段：Extraction（提取）、Preprocessing（预处理）、Indexing（索引构建）、Retrieval（检索）。

水中加点糖

RagFlow实现多模态搜索(文、图、视频)与(关键字/相似度)搜索原理（二）在上一篇的文章《源码运行RagFlow并实现AI搜索(文搜文档、文搜图、视频理解)与自定义智能体（一）》中，我们已经了解了如何源码运行RAGFlow，并也通过内置的DeepDoc和接入MinerU的方式对PDF文档进行了解析与搜索。本文中将接着前文，一起感受下RAGFlow的多模态搜索功能。

小码农叔叔

【AI大模型】开源知识库 RAGFlow 从部署到实战操作详解目录一、前言二、RAGflow 介绍2.1 RAGflow 是什么2.2 RAGflow 核心特点与优势

水中加点糖

源码运行RagFlow并实现AI搜索(文搜文档、文搜图、视频理解)与自定义智能体（一）众所周不知，RagFlow是由国内一家公司开源的一款软件，在AI知识库构建、智能体编排等场景中深受全球开发者的喜爱。快速体验地址为：https://ragflow.io/

RagFlow、Dify部署时，端口如何调整成指定端口一、RagFlow部署时的端口调整 1、修改 docker-compose.yml 文件在 RAGFlow 项目的 docker-compose.yml 文件中，找到 ports 配置部分，将默认端口映射改为固定端口。例如：

RAGFlow知识库问答引擎使用指南（一）之前简单调研了一下RAG开源项目：RAG开源框架调研笔记，看上去ragflow挺好的，就试了试github: https://github.com/infiniflow/ragflow

RAGFlow全面教程：从入门到精通，构建企业级智能问答系统1 RAG技术背景与挑战检索增强生成（Retrieval-Augmented Generation，简称RAG）是当前大语言模型（LLM）应用领域最重要的技术范式之一。其核心思想是通过引入外部知识源来增强大模型的能力，解决传统LLM存在的幻觉问题、知识滞后性和专业领域知识不足等局限性。在RAG工作流程中，系统会先从外部知识库中检索与问题相关的信息，然后将这些信息作为上下文与大模型结合，生成最终答案。

利用Python算法，解析PDF文件并生成文档分块Chunks，追加到RagFlow知识库一、知识库的分块选型 1、法律条文需要精准回答：使用python等算法自己分析，形成问答对 2、小说章节需要大片章节：使用知识库本身的分块逻辑

deepseek部署下载ollama压缩包（可在浏览器中打开下载）： https://github.com/ollama/ollama/releases/latest/download/ollama-linux-amd64.tgz 下载执行脚本：wget https://ollama.com/install.sh