基于 Ragflow 搭建知识库-初步实践
一、简介
Ragflow 是一个强大的工具，可用于构建知识库，实现高效的知识检索和查询功能。本文介绍如何利用 Ragflow 搭建知识库，包括环境准备、安装步骤、配置过程以及基本使用方法。
二、环境准备
-
硬件要求
- CPU：建议 4 核及以上，以确保系统能够流畅运行，尤其是在处理大规模知识库数据和复杂查询时。
- RAM：至少 16GB 内存，为系统运行和数据处理提供足够的空间，避免因内存不足导致性能下降或程序崩溃。
- Disk：50GB 及以上的磁盘空间，用于存储知识库数据、索引文件以及系统运行过程中产生的其他数据。
-
软件要求
-
Docker desktop：确保已安装最新版本的 Docker desktop，可从官方网站下载并按照安装向导进行安装。
-
RAGFLOW：从官方 GitHub 仓库获取 RAGFLOW 相关文件，具体地址为https://github.com/infiniflow/ragflow
https://github.com/infiniflow/ragflow/blob/main/README_zh.md 根据这个文档一步步搭建即可。
-
大模型（如 deepseek）：选择一个合适的大模型，并确保已开通其 API 访问权限。本示例中提及了 deepseek 模型，但您可以根据实际需求选择其他支持的模型。
-
-
版本要求 （2024年12月28日版本）
- Docker：版本需大于等于 24.0.0，确保具备较新的功能和稳定性支持。
- Docker Compose：版本大于等于 v2.26.1，用于管理和编排容器化应用。
三、安装与配置
-
修改镜像源（如果能正常下载，可以不需要修改）
-
找到 Ragflow 源码中 docker/.env 文件，将其中的 RAGFLOW_IMAGE 修改为华为镜像源：
RAGFLOW_IMAGE=swr.cn-north-4.myhuaweicloud.com/infiniflow/ragflow:dev需要注意的是，根据 2024 年 12 月 28 日官方文档，替换如下的镜像源会出现一个问题：
https://github.com/infiniflow/ragflow/issues/3418 查找不到 ‘/ragflow/conf/service_conf.yaml’ 这个文件
swr.cn-north-4.myhuaweicloud.com/infiniflow/ragflow
-
-
启动 Ragflow
-
打开终端，进入 Ragflow 项目目录（包含 docker-compose.yml 文件的目录）。
-
执行以下命令启动 Ragflow 服务,这将在后台启动 Ragflow 相关的容器服务。
$ cd ragflow $ docker compose -f docker/docker-compose.yml up -d
-
-
访问主页
- 打开浏览器，访问http://127.0.0.1，进入 Ragflow 的主页。
四、知识库搭建流程
-
注册与登录
- 在主页上，按照页面提示流程，先注册一个账号，填写必要的信息并完成注册。
- 注册成功后，使用注册的账号登录系统。
-
创建知识库
-
登录后，点击相应按钮创建一个新的知识库，为知识库命名以便识别和管理。
-
上传本地文件到知识库，供知识库进行解析。在上传文件时，注意文件格式的支持情况，确保文件能够被正确解析。目前支持的文件格式可能包括常见的文档格式（如 PDF、DOCX 等）、文本文件等。上传完成后，系统将显示文件的相关信息，如分块数、上传日期、解析方法和解析状态等。例如：
-
分块数：表示文件被分割成的块数，用于后续的索引和检索。
-
上传日期：记录文件上传的时间，方便跟踪文件管理。
-
解析方法：显示系统采用的解析方式，可能根据文件类型自动选择合适的解析器。
-
解析状态：初始上传后可能显示为 “解析中”，解析完成后将更新为 “已解析” 或相应的成功状态。如果解析出现问题，可查看错误信息并根据提示进行排查。
-
-
-
配置模型提供商
-
点击个人头像，进入配置页面。
-
在模型提供商配置区域，选择您使用的模型提供商（如 deepseek），并将对应的 API key 粘贴到指定位置。如果您选择搭建本地大模型，也需要在此处进行相应的配置，确保 Ragflow 能够与本地模型进行通信和交互。不同的模型提供商可能有不同的配置参数和要求，详细信息请参考模型提供商的文档。
-
-
创建助理
-
等待知识库文件解析完成后，进入聊天界面。
-
点击新建一个助理，为助理命名并进行配置。初始配置可以先使用默认值，后续根据实际需求进行调整。
-
在模型设置页面，选择之前添加的模型提供商的模型，并根据需要调整模型参数，如：
- 温度（Temperature）：控制模型输出的随机性，取值范围通常在 0 到 1 之间。较高的值（如 0.90）会使输出更具随机性，而较低的值会使输出更确定性。
- Top P：用于控制模型在生成响应时考虑的前几个概率最高的词元的比例。例如，Top P 值为 0.90 表示模型将考虑概率总和占前 90% 的词元。
- 存在处罚（Presence Penalty）：对模型生成的新单词进行惩罚，以鼓励模型生成多样化的文本。取值范围一般在 0 到 1 之间，较高的值会增加模型生成新单词的可能性。
- 频率惩罚（Frequency Penalty）：对模型生成中频繁出现的单词进行惩罚，以避免重复。取值范围通常在 0 到 1 之间，较高的值会减少频繁单词的出现。
- 最大 token 数（Max Tokens）：限制模型生成的响应中包含的最大词元数量，以控制响应的长度。例如，设置为 512 表示模型生成的响应最多包含 512 个词元。
-
五、使用知识库
完成上述配置后，即可与创建的助理进行聊天。在聊天输入框中输入问题，助理将根据知识库中的内容和配置的模型进行回答，为您提供准确、有用的信息。例如，您可以询问知识库中关于特定主题的知识、请求对某个问题的解释或寻求相关的建议等。
六、注意事项
- 在整个搭建和使用过程中，密切关注系统的运行状态和日志信息。如果遇到任何问题，如服务启动失败、文件解析错误、模型响应异常等，及时查看日志文件（通常位于 Ragflow 项目目录下的特定日志文件夹中），根据错误提示进行排查和解决。
- 定期备份知识库数据，以防止数据丢失或损坏。可以制定定期备份计划，将知识库数据备份到外部存储设备或云端存储服务中。
- 关注 Ragflow 官方文档和社区论坛，获取最新的版本更新、功能改进和问题解决方案。官方文档可能会不断更新，提供更详细的配置说明和最佳实践，社区论坛则是与其他用户交流经验、分享问题和解决方案的好去处。
