ragflow/README_ru.md

Облако | Документация | Дорожная карта | Discord

📕 Содержание

• 💡 Что такое RAGFlow?
• 🎮 Начало работы
• 📌 Последние обновления
• 🌟 Ключевые возможности
• 🔎 Архитектура системы
• 🎬 Самостоятельное развёртывание
• 🔧 Конфигурация
• 🔧 Сборка Docker-образа
• 🔨 Запуск из исходников для разработки
• 📚 Документация
• 📜 Дорожная карта
• 🏄 Сообщество
• 🙌 Участие в разработке

💡 Что такое RAGFlow?

RAGFlow — ведущий open-source движок Retrieval-Augmented Generation (RAG), который объединяет передовые возможности RAG с агентными технологиями и создаёт качественный контекстный слой для больших языковых моделей. Он предлагает понятный и масштабируемый RAG-пайплайн, подходящий как для небольших проектов, так и для крупных компаний. Благодаря объединённому движку контекста и готовым шаблонам агентов RAGFlow позволяет разработчикам быстро превращать сложные данные в высокоточные production-ready AI-системы.

🎮 Начало работы

Попробуйте облачную версию: https://cloud.ragflow.io.

Для локального развёртывания см. раздел Локальное развёртывание.

🔥 Последние обновления

• 2026-09-29 Выпущен RAGFlow 1.0.0-rc1.

• 2026-09-10 Добавлен сбор веб-контента через sitemap.

• 2026-08-19 Представлена Knowledge Compilation для создания Wiki, Graph, Tree, PageIndex, Mind Map, Timeline и Skills на уровне документов и наборов данных.

• 2026-08-19 Представлен Agentic RAG с режимами рассуждения Low, Medium, High и Ultra.

• 2026-07-02 Добавлены источник данных Google BigQuery и инкрементальная синхронизация.

• 2026-06-29 Добавлены каналы чата WhatsApp, DingTalk и WeCom.

• 2026-05-26 Добавлен компонент Browser для просмотра и взаимодействия агентов с веб-страницами.

• 2026-04-21 Добавлены семь встроенных шаблонов конвейеров ingest данных.

• 2026-04-21 Добавлены публикация приложений Agent, выполнение кода в sandbox и генерация диаграмм.

• 2026-04-21 Добавлены хранение и поиск пользовательской памяти.

Другие обновления см. в полных примечаниях к выпускам.

🎉 Следите за обновлениями

⭐️ Поставьте звезду репозиторию, чтобы не пропускать новые возможности и улучшения. Получайте уведомления о релизах!

🌟 Ключевые возможности

🍭 «Качество на входе — качество на выходе»

• Извлечение знаний на основе глубокого понимания документов из неструктурированных данных со сложным форматированием.
• Поиск «иголки в стоге данных» при практически неограниченном количестве токенов.

🍱 Шаблонный чанкинг

• Интеллектуальный и объяснимый.
• Большой выбор готовых шаблонов.

🧩 Компиляция знаний (Knowledge Compilation)

• Преобразуйте содержимое документов и наборов данных в структурированные объекты знаний: Wiki, Graph, Tree, PageIndex, Mind Map, Timeline и Skills.
• Настраивайте модели компиляции и правила обработки, просматривайте, обновляйте и создавайте объекты знаний заново.

🧠 Агентный поиск (Agentic Retrieval)

• Модель анализирует сложные вопросы и при необходимости разбивает их на части, ищет знания и проверяет доказательства в несколько этапов.
• Режимы Low, Medium, High и Ultra позволяют регулировать глубину поиска и рассуждений в зависимости от сложности вопроса.

🌱 Обоснованные цитаты с минимальными галлюцинациями

• Визуализация чанкинга с возможностью ручной корректировки.
• Быстрый просмотр ключевых источников и отслеживаемых цитат.

🍔 Работа с разнородными источниками данных

• Поддержка Word, презентаций, Excel, txt, изображений, сканов, структурированных данных, веб-страниц и многого другого.

🛀 Автоматизированный и простой RAG-пайплайн

• Удобная оркестрация RAG как для личных проектов, так и для крупных компаний.
• Настраиваемые LLM и модели эмбеддингов.
• Множественный поиск + fused re-ranking.
• Понятные API для простой интеграции.

🔎 Архитектура системы

🎬 Самостоятельное развёртывание

🐳 Развёртывание с Docker

📝 Требования к развёртыванию с Docker

• Рекомендуемая начальная конфигурация: 4 ядра CPU, 16 ГБ RAM и 50 ГБ свободного места на диске. Фактические требования зависят от движка документов, объёма данных, задач анализа и параллельной нагрузки. Для локальных моделей и других дополнительных компонентов могут потребоваться дополнительные ресурсы.
• Docker ≥ 24.0.0 и Docker Compose ≥ v2.26.1
• gVisor — требуется только для Self-Managed контейнерной Sandbox.

Для Docker-развёртывания не требуется устанавливать Go на хост. Для Self-Managed контейнерной Sandbox необходимо установить и настроить gVisor; другим провайдерам Sandbox gVisor на хосте RAGFlow не требуется.

Tip

Если Docker ещё не установлен (Windows, Mac или Linux), см. Install Docker Engine.

🚀 Запуск сервера

1. Убедитесь, что vm.max_map_count ≥ 262144:

   Проверить текущее значение:

   sysctl vm.max_map_count
   

   Если значение меньше 262144, установите:

   sudo sysctl -w vm.max_map_count=262144
   

   Чтобы изменение сохранилось после перезагрузки, добавьте в /etc/sysctl.conf:

   vm.max_map_count=262144
   

2. Клонируйте репозиторий:

   git clone https://github.com/infiniflow/ragflow.git
   

3. Переключитесь на тег релиза Go и запустите готовый образ Go с помощью Docker Compose:

Caution

Все образы собраны под x86. Образов для ARM64 пока нет. Если вы на ARM64, следуйте этому руководству, чтобы собрать образ самостоятельно.

Перейдите в каталог развертывания Docker.

cd ragflow/docker

Переключитесь на тег релиза Go v1.0.0-rc1.

git checkout v1.0.0-rc1

Запустите службы Go и их зависимости в фоновом режиме.

docker compose -f docker-compose.yml up -d

В конфигурации MySQL по умолчанию точка входа Go-образа сначала выполняет миграции базы данных, а затем запускает Syncer, Admin, API и Ingestor через bin/ragflow_server.

В открытой версии RAGFlow 1.0 DeepDoc использует CPU для анализа макета, OCR и распознавания таблиц.

4. После запуска проверьте состояние сервисов и готовность API:

   docker ps
   

   Команда выше показывает состояние зависимостей. В RAGFlow не определён Compose healthcheck; подтвердите готовность через API:

   curl -f http://localhost/api/v1/system/healthz
   

   Ответ HTTP 200 означает готовность. Если вы изменили SVR_WEB_HTTP_PORT, используйте этот порт в URL проверки. Если запуск завершился ошибкой, проверьте журналы соответствующего сервиса командой docker logs --tail 50 <service>.

5. Откройте в браузере IP-адрес сервера и войдите в RAGFlow.

   При стандартных настройках достаточно http://IP_ВАШЕЙ_МАШИНЫ (порт 80 можно не указывать).

6. После входа добавьте LLM, модель эмбеддингов и reranker на странице поставщиков моделей, затем укажите имя модели, адрес сервиса и API-ключ.

   Подробнее: llm_api_key_setup.

   Готово!

⚙️ Настройка Docker

Развёртывание Go в Docker использует docker/.env и docker/docker-compose.yml, Kvrocks для кэша и хранения Checkpoint, а NATS JetStream — в качестве очереди сообщений. Изменяйте образ, порты, пароли, движок документов и источник образов моделей в соответствии с руководством по настройке Docker. Поддержка платформ (примечание: macOS временно не поддерживается, используйте хост Linux x86_64) описана в руководстве по сборке Go-образа и поддержке платформ.

При смене движка документов, изменении конфигурации и перезапуске сервисов, а также при сохранении или удалении существующих данных следуйте этому же руководству по настройке Docker.

🔨 Запуск из исходников для разработки

📝 Требования для сборки из исходников

1. Установите версию Go из go.mod (сейчас Go 1.27), Clang 20, LLD 20, CMake 4.0 или новее и файлы разработки PCRE2. Сервисам Go нужны CGO и нативные библиотеки; build.sh задаёт необходимые параметры сборки.

2. Клонируйте репозиторий, подготовьте нативные библиотеки и файлы моделей, затем соберите сервисы Go:

   git clone https://github.com/infiniflow/ragflow.git
   cd ragflow/
   

   python3 -m venv /tmp/ragflow-go-download-venv
   /tmp/ragflow-go-download-venv/bin/python -m pip install requests huggingface-hub
   /tmp/ragflow-go-download-venv/bin/python ragflow_deps/download_deps.py
   bash build.sh --all
   

   Скрипт подготавливает нативные библиотеки и ресурсы моделей для сборки Go и требует requests и huggingface-hub. Пропустите этот шаг, если те же ресурсы подготовлены другим способом. При запуске из корня репозитория сервисы Go автоматически находят internal/rag/res/deepdoc; для запуска из другого каталога задайте DEEPDOC_MODEL_DIR как абсолютный путь к нему.

3. Запустите необходимые зависимости (Elasticsearch, MySQL, MinIO, NATS, Kvrocks и ClickHouse):

   sudo sysctl -w vm.max_map_count=262144
   docker compose --env-file docker/.env -f docker/docker-compose-base.yml \
     up -d --wait es01 mysql minio nats kvrocks clickhouse
   

   Сервисы Go, запущенные из исходного кода, подключаются к Kvrocks через localhost:6379; предоставленная конфигурация не требует изменения /etc/hosts.

4. После миграции базы данных запустите сервисы по порядку. Выполняйте каждую команду в отдельном терминале из корня репозитория и оставьте открытыми четыре терминала сервисов:

   ./bin/ragflow_server --migrate
   RAGFLOW_DEV_MODE=true ./bin/ragflow_server --admin
   RAGFLOW_DEV_MODE=true ./bin/ragflow_server --ingestor
   RAGFLOW_DEV_MODE=true ./bin/ragflow_server --syncer
   RAGFLOW_DEV_MODE=true ./bin/ragflow_server --api
   

   Режимы запуска работают следующим образом:

   • --migrate: выполняет миграции базы данных и завершает работу.
   • --admin: запускает сервис Admin для управления и инициализации.
   • --ingestor: запускает сервис Ingestor для приёма и анализа данных.
   • --syncer: запускает сервис Syncer для синхронизации данных.
   • --api: запускает API для веб-интерфейса, SDK и внешних клиентов.

   RAGFLOW_DEV_MODE=true предназначен только для разработки. Он отключает проверку отката между версиями кода и миграций базы данных, но не запускает миграции и не изменяет схему. Не используйте его в production. Запускайте Admin раньше остальных сервисов. После миграции RAGFLOW_DEV_MODE=true bash build.sh --run запускает Admin, Ingestor и API, но не Syncer; для полной цепочки отдельно выполните RAGFLOW_DEV_MODE=true ./bin/ragflow_server --syncer.

5. Только для разработки фронтенда установите Node.js и npm, затем запустите React-фронтенд:

   cd web
   npm install
   API_PROXY_SCHEME=go npm run dev
   

   В другом терминале проверьте готовность Go API:

   curl -f http://127.0.0.1:9380/api/v1/system/healthz
   

   Ответ HTTP 200 означает, что API отвечает. После разработки нажмите Ctrl+C в каждом терминале сервиса. Чтобы остановить зависимости, сохранив контейнеры, выполните docker compose --env-file docker/.env -f docker/docker-compose-base.yml stop es01 mysql minio nats kvrocks clickhouse. Чтобы удалить контейнеры зависимостей и сеть Compose, сохранив именованные тома, выполните docker compose --env-file docker/.env -f docker/docker-compose-base.yml down.

Подробнее см. Запуск сервиса из исходников.

📚 Документация

• Быстрый старт
• Конфигурация
• Примечания к релизам
• Руководства пользователя
• Руководства для разработчиков
• Справочные материалы
• FAQ

📜 Дорожная карта

См. Дорожную карту RAGFlow на 2026 год

🏄 Сообщество

• Discord
• (https://x.com/infiniflowai)
• GitHub Discussions

🙌 Участие в разработке

RAGFlow развивается как open-source проект. Мы рады любым вкладам сообщества. Если хотите помочь — сначала ознакомьтесь с Contribution Guidelines.