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.

🔥 Последние обновления

• 2026-06-15 Поддержка нескольких каналов чата: Feishu, Discord, Telegram, Line и другие.
• 2026-04-24 Поддержка DeepSeek v4.
• 2026-03-24 RAGFlow Skill на OpenClaw — официальный навык для работы с датасетами RAGFlow через OpenClaw.
• 2025-12-26 Поддержка «Памяти» для AI-агентов.
• 2025-11-19 Поддержка Gemini 3 Pro.
• 2025-11-12 Синхронизация данных из Confluence, S3, Notion, Discord и Google Drive.
• 2025-10-23 Поддержка MinerU и Docling в качестве методов парсинга документов.
• 2025-10-15 Поддержка настраиваемого пайплайна ingestion.
• 2025-08-08 Поддержка новейших моделей серии GPT-5 от OpenAI.
• 2025-08-01 Поддержка агентных workflow и MCP.
• 2025-05-23 Добавлен компонент выполнения кода на Python/JavaScript в Agent.
• 2025-03-19 Поддержка мультимодальных моделей для понимания изображений внутри PDF и DOCX.

🎉 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.

🌱 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

📝 Требования

• CPU ≥ 4 ядра
• RAM ≥ 16 ГБ
• Диск ≥ 50 ГБ
• Docker ≥ 24.0.0 и Docker Compose ≥ v2.26.1
• Python ≥ 3.13
• gVisor — нужен только если вы планируете использовать песочницу (code executor).

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. Запустите сервер с помощью готовых Docker-образов:

Caution

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

Команда ниже скачивает образ v0.26.4. Чтобы использовать другую версию, измените RAGFLOW_IMAGE в файле docker/.env перед запуском.

   cd ragflow/docker

   git checkout v0.26.4
   # Опционально: используйте стабильный тег (см. релизы)
   # Это гарантирует, что entrypoint.sh соответствует версии образа.

   # CPU-режим для DeepDoc:
   docker compose -f docker-compose.yml up -d

   # GPU-ускорение DeepDoc:
   # sed -i '1i DEVICE=gpu' .env
   # docker compose -f docker-compose.yml up -d

До версии v0.22.0 существовали образы с моделями эмбеддингов и slim-образы без них:

Тег образа RAGFlow	Размер (ГБ)	Есть модели эмбеддингов?	Стабильный?
v0.21.1	≈9	✔️	Стабильный релиз
v0.21.1-slim	≈2	❌	Стабильный релиз

Начиная с v0.22.0 поставляется только slim-редакция, суффикс -slim больше не используется.

4. Проверьте статус после запуска:

   docker logs -f docker-ragflow-cpu-1
   

   Успешный запуск выглядит так:

         ____   ___    ______ ______ __
        / __ \ /   |  / ____// ____// /____  _      __
       / /_/ // /| | / / __ / /_   / // __ \| | /| / /
      / _, _// ___ |/ /_/ // __/  / // /_/ /| |/ |/ /
     /_/ |_|/_/  |_|\____//_/    /_/ \____/ |__/|__/
   
    * Running on all addresses (0.0.0.0)
   

   Если пропустить этот шаг и сразу открыть RAGFlow в браузере, может появиться ошибка network abnormal — система ещё не полностью инициализировалась.

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. В файле service_conf.yaml.template выберите нужного провайдера LLM в user_default_llm и укажите API_KEY.

   Подробнее: llm_api_key_setup.

   Готово!

🔧 Конфигурация

Основные файлы конфигурации:

• .env — базовые настройки системы (SVR_HTTP_PORT, MYSQL_PASSWORD, MINIO_PASSWORD и др.).
• service_conf.yaml.template — конфигурация бэкенд-сервисов. Переменные окружения подставляются автоматически при старте контейнера.
• docker-compose.yml — оркестрация сервисов.

Подробное описание переменных и настроек есть в ./docker/README. Их можно использовать как ${ENV_VARS} в service_conf.yaml.template.

Чтобы изменить HTTP-порт по умолчанию (80), в docker-compose.yml замените 80:80 на <ВАШ_ПОРТ>:80.

После изменений перезапустите контейнеры:

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

Переключение с Elasticsearch на Infinity

По умолчанию RAGFlow использует Elasticsearch. Чтобы перейти на Infinity:

1. Остановите все контейнеры:

   docker compose -f docker/docker-compose.yml down -v
   

Warning

Флаг -v удалит volumes — существующие данные будут потеряны.

2. В файле docker/.env установите DOC_ENGINE=infinity.

3. Запустите контейнеры:

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

Warning

Переключение на Infinity на Linux/arm64 пока официально не поддерживается.

🔧 Сборка Docker-образа

Образ занимает около 2 ГБ и рассчитывает на внешние LLM и сервисы эмбеддингов.

git clone https://github.com/infiniflow/ragflow.git
cd ragflow/
docker build --platform linux/amd64 -f Dockerfile -t infiniflow/ragflow:nightly .

Если вы за прокси:

docker build --platform linux/amd64 \
  --build-arg http_proxy=http://YOUR_PROXY:PORT \
  --build-arg https_proxy=http://YOUR_PROXY:PORT \
  -f Dockerfile -t infiniflow/ragflow:nightly .

🔨 Запуск из исходников для разработки

Important

После первого клонирования один раз выполните из корня репозитория: git config --local --unset core.hooksPath, uv tool install lefthook и lefthook install.

1. Установите uv (если ещё не установлен):

   pipx install uv
   

2. Клонируйте репозиторий и установите зависимости:

   git clone https://github.com/infiniflow/ragflow.git
   cd ragflow/
   uv sync --python 3.13
   uv run python3 ragflow_deps/download_deps.py
   git config --local --unset core.hooksPath
   uv tool install lefthook
   lefthook install
   

3. Запустите зависимости (MinIO, Elasticsearch, Redis, MySQL):

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

   Добавьте в /etc/hosts:

   127.0.0.1       es01 infinity mysql minio redis sandbox-executor-manager
   

4. Если нет доступа к HuggingFace, укажите зеркало:

   export HF_ENDPOINT=https://hf-mirror.com
   

5. Если в системе нет jemalloc:

   # Ubuntu
   sudo apt-get install libjemalloc-dev
   # CentOS
   sudo yum install jemalloc
   # OpenSUSE
   sudo zypper install jemalloc
   # macOS
   brew install jemalloc
   

6. Запустите бэкенд:

   source .venv/bin/activate
   export PYTHONPATH=$(pwd)
   bash docker/launch_backend_service.sh
   

7. Установите зависимости фронтенда:

   cd web
   npm install
   

8. Запустите фронтенд:

   npm run dev
   

9. После разработки остановите сервисы:

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

📚 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.