RAGFlow 是一款开源的检索增强生成（RAG）引擎，专注于深度文档理解，帮助企业和个人高效处理合同、报表、论文等复杂格式的非结构化数据，并生成带精准引用的可信回答。它通过“知识库”功能存储和解析文档，支持“General”和“Q&A”两种切片方式，以适应不同类型的文档和查询需求。聊天功能允许关联知识库，提升对话准确性，而Agent则提供工作流能力，但目前在第三方插件方面仍有提升空间。RAGFlow尤其适用于优化客服工作，但要实现高精度对话，仍需专业人员进行知识库的精细化调优和文档的机器可读性优化。

✨ RAGFlow 是一款开源的 RAG 引擎，核心在于深度文档理解，能够高效处理合同、报表、论文等非结构化数据，并生成带有精准引用的可信回答，从而赋能企业及个人。

📚 “知识库”是 RAGFlow 的核心功能，用于存储和解析文档数据。它提供了“General”切片方式，适合长篇文章（如官网文档、技术博客），能自动提取内容、关键词和问题；以及“Q&A”切片方式，适用于 Excel、CSV/TXT 文件，要求问题与答案一一对应，能实现更精准的知识检索。

💬 “聊天”功能允许将多个知识库关联起来，并可定制上下文参数，通过 API 或 iframe 嵌入使用，能显著提升对话的准确性。用户还可以设定明确的提示词，引导 AI 总结知识库内容并精准回答问题，在知识库无相关内容时引导用户查阅官方文档。

⚙️ “Agent”功能类似工作流，允许用户优化输入、在知识库中搜索、进行网页搜索，并由大模型优化内容后返回。尽管 RAGFlow 在此方面与 Coze 类似，但目前缺乏丰富的第三方插件，其自带的搜索引擎可用性也有待提高。

💡 RAGFlow 在优化客服工作方面潜力巨大，能提升客服效率。然而，要实现高精度的对话，关键在于对知识库进行专业调优，包括手动二次分片、修改文档描述以提高机器可读性，以及细化内容以应对特定问题，从而确保 AI 能够准确关联用户问题并提供有效解决方案。

网上一直有一种声音，叫做AI抢了大部分人的饭碗，同时也提供了大量的新的工作岗位。随着部署使用这次的 RAGFlow，就更加感受到了这一点。

RAGFlow 是什么

RAGFlow 是一款 开源的 RAG（检索增强生成）引擎，专注于通过深度文档理解技术，帮助企业及个人高效处理复杂格式的非结构化数据（如合同、报表、论文等），并生成带精准引用的可信回答。

上面是 deepseek 给的介绍，再说说我的理解：他就是一个用于检索已有数据，提取关键内容后，整合输出的工具引擎。通俗一点来讲，就是一个比较小范围的AI搜索引擎。
本文重心主要介绍使用 RAGFlow 解决实际问题上，下载/安装/部署等前置条件相关，请查看这篇文章：kymjs.com/code/2025/0…

RAGFlow 部署完成以后，可以看到顶部总共有五个TAB，我们重点看【知识库】，【聊天】，【Agent】。

知识库

这个是最核心的部分，用于存储全部的文档数据。文档上传以后，AI会自动解析文档，有多种解析方式，目的就是把文档中的内容记录下来，方便查询的时候，能够快速用文档中的内容回答对应的问题。

点击右上角的创建知识库，名字可以随便给，比如上面的图，我创建了三个知识库，分别是测试数据，官网的文档，GitHub issue。

创建完知识库以后，首先要做的第一件事就是设置好知识库对文档的解析方式。也就是下图圈起来的部分。

这里重点介绍最常用的两种：General 和 Q&A

General 切片

"General" 分块方法支持的文件格式为MD、MDX、DOCX、XLSX、XLS (Excel 97-2003)、PPT、PDF、TXT、JPEG、JPG、PNG、TIF、GIF、CSV、JSON、EML、HTML。 此方法将简单的方法应用于块文件：

系统将使用视觉检测模型将连续文本分割成多个片段。接下来，这些连续的片段被合并成Token数不超过“Token数”的块。

简单来说就是，首先基于图像分块（比如jpg这类图片）分好块以后，再提取文字或图片内容，将内容合并成一个块。没错，他就是基于块来切片的。

同时你可以自定义分块的方式，比如这里，默认是根据\n也就是换行符来分块，你也可以自定义，根据某个特殊字符来分块，同时支持定义每个块的 token 数。需要注意的是，这个 token 数并不是绝对的，比如如果AI认为此时的块过大，也会自己拆分。

这种切片方式，通常适合官网文档，或者技术博客这种长篇文章的切片。AI自己提取每段的主要内容，如果有必要，还会生成每段的关键词和对应解决的问题，当然这些关键词和问题你也可以自己手动编辑，用于应对后续问题的回复。

Q&A 切片

"Q&A" 分块方法支持 excel 和 csv/txt 文件格式。 这里三种格式我都尝试过，首选推荐用CSV格式，同样字符文档最小。其次Excel。不推荐 txt，解析起来经常错乱。

如果文件是 excel 格式，则应由两个列组成 没有标题：一个提出问题，另一个用于答案， 答案列之前的问题列。多张纸是 只要列正确结构，就可以接受。如果文件是 csv/txt 格式 以 UTF-8 编码且用 TAB 作分开问题和答案的定界符。未能遵循上述规则的文本行将被忽略，并且 每个问答对将被认为是一个独特的部分。

知识库解析

QA切片是最精准的切片，一个问题对应一个答案，适合作为首选回答。线上最常用的方式就是首先查找QA知识库，如果没有命中再考虑从其他知识库中寻找答案，如果都没有需要的答案，再返回默认回答或者由大模型回复。
要实现这样的逻辑，只需要给对应的知识库设置一个较高的优先级就行了。

当上传完文档并已经解析完成后，就可以双击文档，查看解析结果。如果结果的解析不满意，可以手动修改或添加内容。

聊天

聊天的本质是调用chat模型，来跟用户对话。但聊天允许关联任意数量的知识库，可以用于提升对话的准确性，并且允许手动定制上下文参数。可以通过API调用，也可以直接作为 iframe 嵌入到其他网页中。

例如在这个图中，我就直接关联了前面声明的两个知识库【TheRouter-issue】和【TheRouter 官网文档】。
对应的提示词也比较简单：

你是一个智能助手，请总结知识库的内容来回答问题，请列举知识库中的数据详细回答。当所有知识库内容都与问题无关时，你需要让用户自行去官网https://therouter.cn查看文档。   以下是知识库：{knowledge}以上是知识库。

Agent

如果你之前用过Coze，再看 RAGFlow 的 Agent 应该不会陌生，本质就是一个工作流。以 Coze 这张图为例，可以在输入和输出中定义定制化的过程，通常的做法是先优化用户输入，再在知识库中搜索，如果也没有就在网页中搜索，最后再交给大模型优化内容，再返回给用户。

RAGFlow 中，也基本是这个流程，但是不得不说，Coze 做的非常好，最强大的是有海量的第三方插件可供选择。前段时间也体验了一下 Coze 的开源版本，相比商业版差了太远，主要也是因为丢失了第三方插件这里的能力，剩下的东西太平庸了。

RAGFlow 也是这个问题，缺少第三方的插件，仅凭官方给出的这些能力，还是太弱了。虽然提供了百度/谷歌/必应这类搜索引擎，但是搜索结果可用性还是太低了，这里必应是因为马上要下线了，其他的原因请自行领悟。

感受

最后说一下我的感受。网上一直有一种声音，叫做AI抢了大部分人的饭碗，同时也提供了大量的新的工作岗位。随着部署使用这次的 RAGFlow，就更加感受到了这一点。

这种私有化的知识库，非常适合辅助客服的工作，大部分商业公司的线上客服或者语音客服都可以用 RAGFlow 优化，让客服有更高的效率。

但同时也面临新的问题，如果要想让对话更精准，就必须有人对知识库做专业的调优。比如我第一次，就是简单粗暴的把官网全部文档直接丢给知识库，使用块切片去执行默认的切片，最后测试，大部分内容都是不可用的。

如果要想可用，首先得手动二次分片，把内容转换成足够细力度的描述；其次需要修改文档的描述，现阶段大部分文档都是面向人可读性高的，但人可读性高不意味着机器可读性高，比如 TheRouter 官网的这篇文档，therouter.cn/docs/2022/0…。混淆配置部分，大部分Android开发都知道是什么意思，所以文档中只贴了代码，而没有任何文字描述，但如果作为知识库，应该更多解释混淆配置是什么，混淆过程中可能产生什么问题，反倒解决问题可以非常简单，直接引导查看文档，或者返回这个固定的代码。如果没有问题的描述，假设用户问题是：我的 app 在开发环境是正常的，但是发布到市场的包无法找到路由表，AI 在回答的时候就很难关联到这个问题，也不知道这段代码可以解决对应的问题。