下面用“流程圖 + 六階段拆解”的方式，把 RAGFlow 的完整流程逐層剖開，力求把每一步的輸入、輸出、可選策略、內部機制都講清楚。

────────────────────────
一、總覽圖（先建立體感）

用戶提問
│
├─→【階段1 查詢理解】意圖解析、關鍵詞擴展、槽位抽取
│
├─→【階段2 路由與任務編排】簡單問句?輕量流程；復雜問句?激活多輪/多路/Graph 檢索
│
├─→【階段3 混合檢索】向量+全文+圖關系 三路并行召回
│
├─→【階段4 精排與重排】粗排→精排→多樣性/去重→Top-K 切片
│
├─→【階段5 上下文組裝】Prompt 模板+引用標注+長度截斷策略
│
├─→【階段6 答案生成與后處理】LLM 生成、幻覺檢測、引用回鏈、敏感詞過濾
│
回答返回
────────────────────────
二、六階段詳細拆解

階段1 查詢理解（Query Understanding）

1. 輸入：原始用戶問句 + 會話歷史（多輪場景）。
2. 關鍵動作
   ? 意圖分類：使用輕量模型（如 BERT-mini）把問句分到“事實問答 / 摘要 / 比較 / 分析”等桶；不同意圖會觸發不同后續工作流。
   ? 關鍵詞擴展：內置實體鏈接模塊，把“蘋果”?{Apple Inc., 蘋果水果, 蘋果手機} 等候選實體，并計算消歧置信度。
   ? 時空間抽取：對“2024 年 Q1 財報”這類時間表達做歸一化（“2024-01-01~2024-03-31”）。
3. 輸出：結構化 Query Object（意圖標簽、擴展關鍵詞列表、時間區間、地點實體、必須包含/排除詞）。

階段2 路由與任務編排（Router & Workflow Orchestration）

1. 規則+模型雙重決策
   ? 簡單事實 → 單路向量檢索 + 1-shot LLM 回答；
   ? 復雜分析 → 激活“Agentic RAG”子流程：并行調用多路檢索器、SQL 檢索器、外部 API（如財報 API）。
2. Graph Workflow 描述：RAGFlow 用一張 DAG（有向無環圖）描述任務依賴；節點可以是“向量檢索”“SQL 查詢”“調用外部工具”“LLM 生成”等，邊表示數據流向。該 DAG 可在 Web UI 里拖拽生成。
3. 動態擴展：若第一次召回結果置信度低，DAG 會自動插入“二次檢索”節點，擴大時間窗口或更換索引空間。

階段3 混合檢索（Hybrid Retrieval）

1. 三路召回并行
   ? 向量召回：基于嵌入模型（e5-large-v2、BGE 等）把 Query Object 變成向量，在 Milvus/Qdrant 中做 ANN 搜索，召回 top 100。
   ? 全文召回：Elasticsearch 做 BM25 + 擴展關鍵詞，召回 top 100。
   ? 圖譜召回：在 Neo4j 中執行 Cypher，利用實體 ID 做多跳查詢（例如“公司→高管→履歷→學歷”），召回與實體關聯的文檔 ID 列表。
2. 結果融合：使用 Reciprocal Rank Fusion (RRF) 把三路分數歸一化，取前 N。

階段4 精排與重排（Rerank & Filtering）

1. 精排模型：Cross-Encoder（如 BAAI/bge-reranker-large）對 Query-Object 與候選片段逐一打分，輸出相關性概率。
2. 多樣性策略：MMR（最大邊際相關性）去冗余，保證切片之間信息不重復。
3. 長度截斷：按 token 預算（如 4k）選 Top-K 個片段，K 動態計算：K = min(K_max, floor(預算 / 平均片段長度))。

階段5 上下文組裝（Context Assembly）

1. Prompt 模板化：系統內置多種模板（“你是某領域專家，請基于以下資料回答…引用的段落請以[^id]結尾…”）。
2. 引用溯源：每個片段附帶元數據（文件名、頁碼、段落 ID），在 Prompt 里顯式標注，方便 LLM 在回答里插入引用。
3. 長度控制：若片段總長度仍超預算，優先保留高相關片段；對長片段做滑動窗口二次切分。

階段6 答案生成與后處理（Generation & Post-processing）

1. 生成：調用 LLM（OpenAI GPT-4、DeepSeek、本地 Llama-3 等），temperature 按意圖動態調整：事實問答 0.1，創意寫作 0.7。
2. 幻覺檢測：基于“自洽性檢查”——讓 LLM 再生成一次，比較兩次回答的引用片段是否一致；若差異大，觸發重試。
3. 回鏈高亮：前端把返回的 [^id] 渲染成可點擊錨點，用戶點擊即可跳轉到原文高亮段落，實現“可解釋性”。
4. 敏感詞/合規過濾：正則 + 詞典雙重過濾；不合規內容打碼并提示“涉及敏感信息已隱藏”。

────────────────────────
三、可插拔組件與配置要點

1. 文檔解析
   ? DeepDoc 解析器支持 PDF、掃描件、圖片、表格；表格自動轉 Markdown 表格，數字保留兩位小數。
   ? 支持用戶手動調整切片：在 Chunk 頁面雙擊即可修改分塊邊界、添加關鍵詞權重。

2. 索引策略
   ? “RAPTOR” 召回增強：先在段落級向量檢索，再對命中的段落做二次句子級檢索，提高細粒度命中率。
   ? 圖索引：實體-關系三元組實時寫 Neo4j，并同步到 Elasticsearch 做全文混合召回。

3. 部署與擴展
   ? Docker Compose 一鍵啟動，支持 GPU 鏡像；對外暴露 REST API、WebSocket 流式接口。
   ? 多知識庫隔離：每個團隊獨立 ES Index + 向量庫，權限粒度到文件級。

────────────────────────
四、小結

RAGFlow 的最大特色是把傳統 RAG“兩段式”（檢索→生成）拆成了“可編排、可觀測、可干預”的多階段流水線。
? 對開發者：提供 DAG 工作流畫布，像搭積木一樣組合“檢索器-重排器-工具-LLM”。
? 對業務：每個階段的結果都可查看、可人工糾正，大幅降低幻覺，提升最終答案的可信度。