基于 Ragflow 搭建知識庫-初步實踐
一、簡介
Ragflow 是一個強大的工具，可用于構建知識庫，實現高效的知識檢索和查詢功能。本文介紹如何利用 Ragflow 搭建知識庫，包括環境準備、安裝步驟、配置過程以及基本使用方法。
二、環境準備
-
硬件要求
- CPU：建議 4 核及以上，以確保系統能夠流暢運行，尤其是在處理大規模知識庫數據和復雜查詢時。
- RAM：至少 16GB 內存，為系統運行和數據處理提供足夠的空間，避免因內存不足導致性能下降或程序崩潰。
- Disk：50GB 及以上的磁盤空間，用于存儲知識庫數據、索引文件以及系統運行過程中產生的其他數據。
-
軟件要求
-
Docker desktop：確保已安裝最新版本的 Docker desktop，可從官方網站下載并按照安裝向導進行安裝。
-
RAGFLOW：從官方 GitHub 倉庫獲取 RAGFLOW 相關文件，具體地址為https://github.com/infiniflow/ragflow
https://github.com/infiniflow/ragflow/blob/main/README_zh.md 根據這個文檔一步步搭建即可。
-
大模型（如 deepseek）：選擇一個合適的大模型，并確保已開通其 API 訪問權限。本示例中提及了 deepseek 模型，但您可以根據實際需求選擇其他支持的模型。
-
-
版本要求 （2024年12月28日版本）
- Docker：版本需大于等于 24.0.0，確保具備較新的功能和穩定性支持。
- Docker Compose：版本大于等于 v2.26.1，用于管理和編排容器化應用。
三、安裝與配置
-
修改鏡像源（如果能正常下載，可以不需要修改）
-
找到 Ragflow 源碼中 docker/.env 文件，將其中的 RAGFLOW_IMAGE 修改為華為鏡像源：
RAGFLOW_IMAGE=swr.cn-north-4.myhuaweicloud.com/infiniflow/ragflow:dev需要注意的是，根據 2024 年 12 月 28 日官方文檔，替換如下的鏡像源會出現一個問題：
https://github.com/infiniflow/ragflow/issues/3418 查找不到 ‘/ragflow/conf/service_conf.yaml’ 這個文件
swr.cn-north-4.myhuaweicloud.com/infiniflow/ragflow
-
-
啟動 Ragflow
-
打開終端，進入 Ragflow 項目目錄（包含 docker-compose.yml 文件的目錄）。
-
執行以下命令啟動 Ragflow 服務,這將在后臺啟動 Ragflow 相關的容器服務。
$ cd ragflow $ docker compose -f docker/docker-compose.yml up -d
-
-
訪問主頁
- 打開瀏覽器，訪問http://127.0.0.1，進入 Ragflow 的主頁。
四、知識庫搭建流程
-
注冊與登錄
- 在主頁上，按照頁面提示流程，先注冊一個賬號，填寫必要的信息并完成注冊。
- 注冊成功后，使用注冊的賬號登錄系統。
-
創建知識庫
-
登錄后，點擊相應按鈕創建一個新的知識庫，為知識庫命名以便識別和管理。
-
上傳本地文件到知識庫，供知識庫進行解析。在上傳文件時，注意文件格式的支持情況，確保文件能夠被正確解析。目前支持的文件格式可能包括常見的文檔格式（如 PDF、DOCX 等）、文本文件等。上傳完成后，系統將顯示文件的相關信息，如分塊數、上傳日期、解析方法和解析狀態等。例如：
-
分塊數：表示文件被分割成的塊數，用于后續的索引和檢索。
-
上傳日期：記錄文件上傳的時間，方便跟蹤文件管理。
-
解析方法：顯示系統采用的解析方式，可能根據文件類型自動選擇合適的解析器。
-
解析狀態：初始上傳后可能顯示為 “解析中”，解析完成后將更新為 “已解析” 或相應的成功狀態。如果解析出現問題，可查看錯誤信息并根據提示進行排查。
-
-
-
配置模型提供商
-
點擊個人頭像，進入配置頁面。
-
在模型提供商配置區域，選擇您使用的模型提供商（如 deepseek），并將對應的 API key 粘貼到指定位置。如果您選擇搭建本地大模型，也需要在此處進行相應的配置，確保 Ragflow 能夠與本地模型進行通信和交互。不同的模型提供商可能有不同的配置參數和要求，詳細信息請參考模型提供商的文檔。
-
-
創建助理
-
等待知識庫文件解析完成后，進入聊天界面。
-
點擊新建一個助理，為助理命名并進行配置。初始配置可以先使用默認值，后續根據實際需求進行調整。
-
在模型設置頁面，選擇之前添加的模型提供商的模型，并根據需要調整模型參數，如：
- 溫度（Temperature）：控制模型輸出的隨機性，取值范圍通常在 0 到 1 之間。較高的值（如 0.90）會使輸出更具隨機性，而較低的值會使輸出更確定性。
- Top P：用于控制模型在生成響應時考慮的前幾個概率最高的詞元的比例。例如，Top P 值為 0.90 表示模型將考慮概率總和占前 90% 的詞元。
- 存在處罰（Presence Penalty）：對模型生成的新單詞進行懲罰，以鼓勵模型生成多樣化的文本。取值范圍一般在 0 到 1 之間，較高的值會增加模型生成新單詞的可能性。
- 頻率懲罰（Frequency Penalty）：對模型生成中頻繁出現的單詞進行懲罰，以避免重復。取值范圍通常在 0 到 1 之間，較高的值會減少頻繁單詞的出現。
- 最大 token 數（Max Tokens）：限制模型生成的響應中包含的最大詞元數量，以控制響應的長度。例如，設置為 512 表示模型生成的響應最多包含 512 個詞元。
-
五、使用知識庫
完成上述配置后，即可與創建的助理進行聊天。在聊天輸入框中輸入問題，助理將根據知識庫中的內容和配置的模型進行回答，為您提供準確、有用的信息。例如，您可以詢問知識庫中關于特定主題的知識、請求對某個問題的解釋或尋求相關的建議等。
六、注意事項
- 在整個搭建和使用過程中，密切關注系統的運行狀態和日志信息。如果遇到任何問題，如服務啟動失敗、文件解析錯誤、模型響應異常等，及時查看日志文件（通常位于 Ragflow 項目目錄下的特定日志文件夾中），根據錯誤提示進行排查和解決。
- 定期備份知識庫數據，以防止數據丟失或損壞。可以制定定期備份計劃，將知識庫數據備份到外部存儲設備或云端存儲服務中。
- 關注 Ragflow 官方文檔和社區論壇，獲取最新的版本更新、功能改進和問題解決方案。官方文檔可能會不斷更新，提供更詳細的配置說明和最佳實踐，社區論壇則是與其他用戶交流經驗、分享問題和解決方案的好去處。
yum源配置)
