ragflow

Document | Roadmap | Twitter | Discord | Demo

💡 RAGFlow とは？

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。

🎮 Demo

デモをお試しください：https://demo.ragflow.io。

🔥 最新情報

2025-08-08 OpenAI の最新 GPT-5 シリーズモデルをサポートします。
2025-08-04 新モデル、キミK2およびGrok 4をサポート。
2025-08-01 エージェントワークフローとMCPをサポート。
2025-05-23 エージェントに Python/JS コードエグゼキュータコンポーネントを追加しました。
2025-05-05 言語間クエリをサポートしました。
2025-03-19 PDFまたはDOCXファイル内の画像を理解するために、多モーダルモデルを使用することをサポートします。
2025-02-28 インターネット検索 (TAVILY) と組み合わせて、あらゆる LLM の詳細な調査をサポートします。
2024-12-18 DeepDoc のドキュメントレイアウト分析モデルをアップグレードします。
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。

🎉 続きを楽しみに

⭐️ 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！ 🌟

🌟 主な特徴

🍭 “Quality in, quality out”

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。

🍱 テンプレートベースのチャンク化

知的で解釈しやすい。
テンプレートオプションが豊富。

🌱 ハルシネーションが軽減された根拠のある引用

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。

🍔 多様なデータソースとの互換性

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。

🛀 自動化された楽な RAG ワークフロー

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。

🔎 システム構成

🎬 初期設定

📝 必要条件

CPU >= 4 cores
RAM >= 16 GB
Disk >= 50 GB
Docker >= 24.0.0 & Docker Compose >= v2.26.1
gVisor: RAGFlowのコード実行（サンドボックス）機能を利用する場合のみ必要です。

[!TIP] 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。

🚀 サーバーを起動

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。
   >
   > ```bash
   > # 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:
   >
   > ```bash
   > vm.max_map_count=262144
   > ```

2. リポジトリをクローンする:

   ```bash
   $ 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:

[!CAUTION] 現在、公式に提供されているすべての Docker イメージは x86 アーキテクチャ向けにビルドされており、ARM64 用の Docker イメージは提供されていません。 ARM64 アーキテクチャのオペレーティングシステムを使用している場合は、このドキュメントを参照して Docker イメージを自分でビルドしてください。

以下のコマンドは、RAGFlow Docker イメージの v0.20.3-slim エディションをダウンロードします。異なる RAGFlow エディションの説明については、以下の表を参照してください。v0.20.3-slim とは異なるエディションをダウンロードするには、docker/.env ファイルの RAGFLOW_IMAGE 変数を適宜更新し、docker compose を使用してサーバーを起動してください。例えば、完全版 v0.20.3 をダウンロードするには、RAGFLOW_IMAGE=infiniflow/ragflow:v0.20.3 と設定します。

   $ cd ragflow/docker
   # Use CPU for embedding and DeepDoc tasks:
   $ docker compose -f docker-compose.yml up -d

   # To use GPU to accelerate embedding and DeepDoc tasks:
   # docker compose -f docker-compose-gpu.yml up -d

| RAGFlow image tag | Image size (GB) | Has embedding models? | Stable? | | ----------------- | --------------- | --------------------- | ------------------------ | | v0.20.3 | ≈9 | :heavy_check_mark: | Stable release | | v0.20.3-slim | ≈2 | ❌ | Stable release | | nightly | ≈9 | :heavy_check_mark: | Unstable nightly build | | nightly-slim | ≈2 | ❌ | Unstable nightly build |

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)

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.template 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！

🔧 コンフィグ

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.template: 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.template 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 ./docker/README には、service_conf.yaml.template ファイルで ${ENV_VARS} として使用できる環境設定とサービス構成の詳細な説明が含まれています。

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-compose.yml up -d
> ```

### Elasticsearch から Infinity にドキュメントエンジンを切り替えます

RAGFlow はデフォルトで Elasticsearch を使用して全文とベクトルを保存します。［Infinity］に切り替え（https://github.com/infiniflow/infinity/)、次の手順に従います。

1. 実行中のすべてのコンテナを停止するには：
   ```bash
   $ docker compose -f docker/docker-compose.yml down -v
Note: -v は docker コンテナのボリュームを削除し、既存のデータをクリアします。

docker/.env の「DOC _ ENGINE」を「infinity」に設定します。

起動コンテナ： bash $ docker compose -f docker-compose.yml up -d > [!WARNING] > Linux/arm64 マシンでの Infinity への切り替えは正式にサポートされていません。

🔧 ソースコードで Docker イメージを作成（埋め込みモデルなし）

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/
docker build --platform linux/amd64 --build-arg LIGHTEN=1 -f Dockerfile -t infiniflow/ragflow:nightly-slim .

🔧 ソースコードをコンパイルした Docker イメージ（埋め込みモデルを含む）

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/
docker build --platform linux/amd64 -f Dockerfile -t infiniflow/ragflow:nightly .

🔨 ソースコードからサービスを起動する方法

uv 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:

   pipx install uv pre-commit

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/
   uv sync --python 3.10 --all-extras # install RAGFlow dependent python modules
   uv run download_deps.py
   pre-commit install

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、conf/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 infinity mysql minio redis sandbox-executor-manager

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

オペレーティングシステムにjemallocがない場合は、次のようにインストールします:

   # ubuntu
   sudo apt-get install libjemalloc-dev
   # centos
   sudo yum install jemalloc

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

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:

開発が完了したら、RAGFlow のフロントエンドサービスとバックエンドサービスを停止します:

   pkill -f "ragflow_server.py|task_executor.py"

📚 ドキュメンテーション

📜 ロードマップ

RAGFlow ロードマップ 2025 を参照

🏄 コミュニティ

🙌 コントリビュート

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。

README_ja.md 17KB Originalformat Permalink Blame Verlauf