资源描述
RAGFlow Enterprise Edition 是一款开源、高可用的企业级RAG（检索增强生成）框架，专为复杂文档智能处理设计。支持PDF/PPTX/Notion/Confluence等多源异构文档自动解析、语义切片与跨文档实体对齐，内置HyDE+BM25+Cross-Encoder动态检索路由、细粒度权限隔离及完整审计追踪，适用于金融、法律、政务等强合规性场景。
详细内容
# RAGFlow Enterprise Edition
## 框架简介与定位
RAGFlow Enterprise Edition 是由 InfiniFlow 团队主导开发的开源企业级 RAG 框架，定位于解决真实业务中**多格式文档理解难、知识碎片化、权限管控弱、审计不可溯**等核心痛点。它并非通用LLM应用层封装，而是聚焦于文档AI基础设施层——提供从原始文档摄入、结构化表征、语义检索到可验证生成的端到端闭环能力，强调生产就绪（production-ready）、安全可控与可运维性。
## 核心特性
- **多源异构文档自动化处理**：原生支持 PDF（含扫描件OCR）、PPTX、Word、Excel、Markdown、Notion 页面导出、Confluence Space 导入，通过自适应解析引擎实现格式无关的内容提取与逻辑结构重建。
- **智能语义切片与上下文保真**：基于文档层级（标题/段落/表格/列表）与语义连贯性双重约束进行动态分块，保留跨页表格、公式引用、图表说明等关键上下文关系。
- **动态混合检索路由（Dynamic Retrieval Routing）**：融合 HyDE（Hypothetical Document Embeddings）生成式查询扩展、BM25 精确关键词匹配与 Cross-Encoder 重排序，支持策略配置与A/B测试，提升长尾查询与模糊意图下的召回准确率。
- **跨文档实体对齐与知识图谱构建**：在切片级抽取命名实体（人名、机构、条款编号等），自动关联不同文档中同一实体的表述变体，支撑跨制度/跨版本知识溯源与一致性校验。
- **企业级安全与治理能力**：支持基于RBAC的细粒度数据权限隔离（按空间/文档/字段级）、全链路操作审计日志（含检索输入、召回结果、LLM提示词与输出）、敏感信息自动脱敏（可插拔规则引擎）及私有化部署保障数据不出域。
## 适用场景
- **合规知识管理**：金融行业监管政策库、医疗领域临床指南库、政务法规库的智能问答与条款比对。
- **客户服务增强**：将产品手册、工单记录、会议纪要等非结构化资料转化为可检索知识底座，赋能客服机器人精准应答。
- **内部智能搜索**：替代传统Elasticsearch全文检索，实现“用自然语言查内部文档”的体验升级（如：“上季度华东区合同模板中关于违约金的最新修订条款”）。
- **尽调与风控辅助**：批量解析并购标的财报、法律意见书、公司章程，自动提取关键风险点并交叉验证。
## 快速入门步骤
1. **环境准备**：确保系统已安装 Docker 20.10+、Docker Compose v2.20+ 及 Python 3.9+（用于 CLI 工具）。
2. **一键部署**：克隆仓库后执行 `docker-compose up -d` 启动服务（含 Web UI、API Server、向量数据库、嵌入模型服务等）。
3. **创建知识库**：访问 `http://localhost:3000`，新建 Workspace → 上传 PDF 或连接 Notion/Confluence → 等待自动解析与向量化完成。
4. **最小示例调用（API）**：
```bash
curl -X POST http://localhost:8000/api/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{"knowledgebase_id": "kb_xxx", "query": "请总结该文档中提到的数据保留期限要求"}'
```
返回结果包含检索依据片段、生成回答及置信度评分。
## 生态与社区
- **技术栈开放**：默认集成 BGE-M3（多语言嵌入）、Qwen2-7B-Instruct（可替换为任意 HuggingFace 模型）、Milvus（向量库）、PostgreSQL（元数据存储），所有组件均支持替换与扩展。
- **企业支持路径**：GitHub Issues 用于社区问题反馈；官方提供商业版（含高可用集群部署、SLA保障、专属模型微调服务）及定制化实施支持。
- **活跃社区**：项目在 GitHub 持续维护（Star > 6.5k），中文文档完善，定期发布 Release Notes 与最佳实践白皮书（见 [Docs](https://github.com/infiniflow/ragflow/tree/main/docs)）。