RAGFlow は、深い文書理解に基づいたオープンソースの RAG (Retrieval-Augmented Generation) エンジンである。LLM（大規模言語モデル）を組み合わせることで、様々な複雑なフォーマットのデータから根拠のある引用に裏打ちされた、信頼できる質問応答機能を実現し、あらゆる規模のビジネスに適した RAG ワークフローを提供します。
デモをお試しください：https://demo.ragflow.io。
- 2024-11-01 再現の精度を向上させるために、解析されたチャンクにキーワード抽出と関連質問の生成を追加しました。
- 2024-09-13 ナレッジベース Q&A の検索モードを追加しました。
- 2024-09-09 エージェントに医療相談テンプレートを追加しました。
- 2024-08-22 RAG を介して SQL ステートメントへのテキストをサポートします。
- 2024-08-02 graphrag からインスピレーションを得た GraphRAG とマインド マップをサポートします。
⭐️ リポジトリをスター登録して、エキサイティングな新機能やアップデートを最新の状態に保ちましょう！すべての新しいリリースに関する即時通知を受け取れます！ 🌟
- 複雑な形式の非構造化データからの深い文書理解ベースの知識抽出。
- 無限のトークンから"干し草の山の中の針"を見つける。
- 知的で解釈しやすい。
- テンプレートオプションが豊富。
- 可視化されたテキストチャンキング（text chunking）で人間の介入を可能にする。
- 重要な参考文献のクイックビューと、追跡可能な引用によって根拠ある答えをサポートする。
- Word、スライド、Excel、txt、画像、スキャンコピー、構造化データ、Web ページなどをサポート。
- 個人から大企業まで対応できる RAG オーケストレーション（orchestration）。
- カスタマイズ可能な LLM とエンベッディングモデル。
- 複数の想起と融合された再ランク付け。
- 直感的な API によってビジネスとの統合がシームレスに。
- CPU >= 4 cores
- RAM >= 16 GB
- Disk >= 50 GB
- Docker >= 24.0.0 & Docker Compose >= v2.26.1
ローカルマシン（Windows、Mac、または Linux）に Docker をインストールしていない場合は、Docker Engine のインストール を参照してください。
-
vm.max_map_count>= 262144 であることを確認する:vm.max_map_countの値をチェックするには:$ sysctl vm.max_map_count
vm.max_map_countが 262144 より大きい値でなければリセットする。# In this case, we set it to 262144: $ sudo sysctl -w vm.max_map_count=262144この変更はシステム再起動後にリセットされる。変更を恒久的なものにするには、/etc/sysctl.conf の
vm.max_map_count値を適宜追加または更新する:vm.max_map_count=262144
-
リポジトリをクローンする:
$ git clone https://github.com/infiniflow/ragflow.git
-
ビルド済みの Docker イメージをビルドし、サーバーを起動する:
以下のコマンドは、RAGFlow slim（
dev-slim）の開発版Dockerイメージをダウンロードします。RAGFlow slimのDockerイメージには、埋め込みモデルやPythonライブラリが含まれていないため、サイズは約1GBです。$ cd ragflow/docker $ docker compose -f docker-compose.yml up -d- 特定のバージョンのRAGFlow slim Dockerイメージをダウンロードするには、docker/.env内の
RAGFlow_IMAGE変数を希望のバージョンに更新します。例えば、RAGFLOW_IMAGE=infiniflow/ragflow:v0.13.0とします。この変更を行った後、上記のコマンドを再実行してダウンロードを開始してください。 - RAGFlowの埋め込みモデルとPythonライブラリを含む開発版Dockerイメージをダウンロードするには、docker/.env内の
RAGFlow_IMAGE変数をRAGFLOW_IMAGE=infiniflow/ragflow:devに更新します。この変更を行った後、上記のコマンドを再実行してダウンロードを開始してください。 - 特定のバージョンのRAGFlow Dockerイメージ（埋め込みモデルとPythonライブラリを含む）をダウンロードするには、docker/.env内の
RAGFlow_IMAGE変数を希望のバージョンに更新します。例えば、RAGFLOW_IMAGE=infiniflow/ragflow:v0.13.0とします。この変更を行った後、上記のコマンドを再実行してダウンロードを開始してください。
NOTE: 埋め込みモデルとPythonライブラリを含むRAGFlow Dockerイメージのサイズは約9GBであり、読み込みにかなりの時間がかかる場合があります。
- 特定のバージョンのRAGFlow slim Dockerイメージをダウンロードするには、docker/.env内の
-
サーバーを立ち上げた後、サーバーの状態を確認する:
$ docker logs -f ragflow-server
以下の出力は、システムが正常に起動したことを確認するものです:
____ ___ ______ ______ __ / __ \ / | / ____// ____// /____ _ __ / /_/ // /| | / / __ / /_ / // __ \| | /| / / / _, _// ___ |/ /_/ // __/ / // /_/ /| |/ |/ / /_/ |_|/_/ |_|\____//_/ /_/ \____/ |__/|__/ * Running on all addresses (0.0.0.0) * Running on http://127.0.0.1:9380 * Running on http://x.x.x.x:9380 INFO:werkzeug:Press CTRL+C to quitもし確認ステップをスキップして直接 RAGFlow にログインした場合、その時点で RAGFlow が完全に初期化されていない可能性があるため、ブラウザーがネットワーク異常エラーを表示するかもしれません。
-
ウェブブラウザで、プロンプトに従ってサーバーの IP アドレスを入力し、RAGFlow にログインします。
デフォルトの設定を使用する場合、デフォルトの HTTP サービングポート
80は省略できるので、与えられたシナリオでは、http://IP_OF_YOUR_MACHINE（ポート番号は省略）だけを入力すればよい。 -
service_conf.yaml で、
user_default_llmで希望の LLM ファクトリを選択し、API_KEYフィールドを対応する API キーで更新する。詳しくは llm_api_key_setup を参照してください。
これで初期設定完了！ショーの開幕です！
システムコンフィグに関しては、以下のファイルを管理する必要がある:
- .env:
SVR_HTTP_PORT、MYSQL_PASSWORD、MINIO_PASSWORDなどのシステムの基本設定を保持する。 - service_conf.yaml: バックエンドのサービスを設定します。
- docker-compose.yml: システムの起動は docker-compose.yml に依存している。
.env ファイルの変更が service_conf.yaml ファイルの内容と一致していることを確認する必要があります。
./docker/README ファイルは環境設定とサービスコンフィグの詳細な説明を提供し、./docker/README ファイルに記載されている全ての環境設定が service_conf.yaml ファイルの対応するコンフィグと一致していることを確認することが義務付けられています。
デフォルトの HTTP サービングポート(80)を更新するには、docker-compose.yml にアクセスして、80:80 を <YOUR_SERVING_PORT>:80 に変更します。
すべてのシステム設定のアップデートを有効にするには、システムの再起動が必要です:
$ docker compose -f docker/docker-compose.yml up -d
この Docker イメージのサイズは約 1GB で、外部の大モデルと埋め込みサービスに依存しています。
git clone https://github.com/infiniflow/ragflow.git
cd ragflow/
pip3 install huggingface-hub nltk
python3 download_deps.py
docker build -f Dockerfile.slim -t infiniflow/ragflow:dev-slim .この Docker のサイズは約 9GB で、埋め込みモデルを含むため、外部の大モデルサービスのみが必要です。
git clone https://github.com/infiniflow/ragflow.git
cd ragflow/
pip3 install huggingface-hub nltk
python3 download_deps.py
docker build -f Dockerfile -t infiniflow/ragflow:dev .-
Poetry をインストールする。すでにインストールされている場合は、このステップをスキップしてください:
curl -sSL https://install.python-poetry.org | python3 - -
ソースコードをクローンし、Python の依存関係をインストールする:
git clone https://github.com/infiniflow/ragflow.git cd ragflow/ export POETRY_VIRTUALENVS_CREATE=true POETRY_VIRTUALENVS_IN_PROJECT=true ~/.local/bin/poetry install --sync --no-root # install RAGFlow dependent python modules
-
Docker Compose を使用して依存サービス（MinIO、Elasticsearch、Redis、MySQL）を起動する:
docker compose -f docker/docker-compose-base.yml up -d
/etc/hostsに以下の行を追加して、docker/service_conf.yaml に指定されたすべてのホストを127.0.0.1に解決します:127.0.0.1 es01 mysql minio redisdocker/service_conf.yaml で mysql のポートを
5455に、es のポートを1200に更新します（docker/.env に指定された通り）. -
HuggingFace にアクセスできない場合は、
HF_ENDPOINT環境変数を設定してミラーサイトを使用してください:export HF_ENDPOINT=https://hf-mirror.com -
バックエンドサービスを起動する:
source .venv/bin/activate export PYTHONPATH=$(pwd) bash docker/launch_backend_service.sh
-
フロントエンドの依存関係をインストールする:
cd web npm install --force -
フロントエンドを設定し、.umirc.ts の
proxy.targetをhttp://127.0.0.1:9380に更新します: -
フロントエンドサービスを起動する:
npm run dev
以下の画面で、システムが正常に起動したことを示します:
RAGFlow はオープンソースのコラボレーションによって発展してきました。この精神に基づき、私たちはコミュニティからの多様なコントリビュートを受け入れています。 参加を希望される方は、まず コントリビューションガイドをご覧ください。