RAGFlow 是一款開源的檢索增強生成（RAG）引擎，核心優勢在於強大的深度文檔理解能力。透過結合大型語言模型，RAGFlow 能夠深入解析各種複雜格式的文檔，包括 PDF、Word 和 PowerPoint 等。這種深度理解讓 AI 系統能夠更準確地回答用戶查詢，大幅提升問答系統的性能。這篇文章整理我實際使用 RAGFlow 的功能筆記與設定心得。
RAGFlow 有哪些核心特性？
基於深度文檔理解，RAGFlow 能夠從各類複雜格式的非結構化資料中提取真知灼見，並在無限上下文的場景下快速完成大海撈針測試。幾個我認為的重點：
- 模板化的文字切片技術：不僅智能，而且可控、可解釋，提供多種範本選擇並可視化調整。
- 支援多種文件類型：Word、PPT、Excel、TXT、圖片、PDF、影印件等。
- 全面優化的 RAG 工作流程：從個人應用到超大型企業的需求都能滿足。
- 易用的 API：方便整合各類企業系統。
- 降低幻覺風險：確保答案有理有據，回答可附註引用來源。
RAGFlow 的系統架構長什麼樣？
以下為 RAGFlow 的系統架構圖，可以看到它把文檔解析、檢索與生成回答的流程完整串起來：
登入畫面
安裝完成後，以下為 RAGFlow 的登入畫面：
模型設定要注意什麼？
在模型設定頁可以設定要使用的模型的 API Token，或者連線至本地端的 Ollama。這邊有一個很容易踩的坑：
如果你的 RAGFlow 是用 Docker 起的，那麼 Ollama 也一定要起在 Docker 裡面，彼此才連線得到；不然就是要透過公開網址讓雙方互通。
知識庫解析方式怎麼設定才正確？
接著可以新增知識庫。設定知識庫的解析方式時，選對選項非常重要：
- 如果上傳的是純文字 PDF，記得把 layout recognize 關掉。
- 如果要解析的是圖檔、PowerPoint 這種需要先解析版面的檔案，則應該打開 layout recognize——它會用 OCR 去判斷圖像上的文字。
以下為純文字檔案卻打開 layout recognize 的解析狀況，可以看到內容被切得亂七八糟：
關閉之後就能正常解析全部的純文字內容。下圖則是需要打開 layout recognize 的範例——這個 PDF 的內容皆為圖像，靠 OCR 判讀文字：
聊天功能可以做什麼？
這邊有點類似 GPT Plus 的體驗：可以建立很多不同的聊天助理，每個助理能針對個別設定要搜尋的知識庫，回答時還可以附註搜尋到的檔案文本，方便驗證答案來源。
圖（Graph）功能介紹
我們可以在這邊客製化聊天流程，做更進一步的機器人進階設定，預設內建多種流程範本。可設定的元件包括：
- 知識檢索
- 生成回答
- 人機交互
- 問題分類
- 靜態訊息
- 問題最佳化
每一個元件都可以設定使用的模型與相關提示。要特別注意的是，在知識檢索裡面若沒有設定相關的文件檔，流程會陷入無限迴圈 😄。
文件管理介紹
從文件管理頁可以看到我們上傳的所有文件檔案，統一管理知識庫的原始資料。
延伸閱讀
常見問題
RAGFlow 是什麼？
RAGFlow 是一款開源的檢索增強生成（RAG）引擎，主打深度文檔理解。它能解析 PDF、Word、PPT、Excel、圖片等複雜格式，結合大型語言模型打造有據可查的 AI 問答系統。
RAGFlow 連不上本地 Ollama 怎麼辦？
最常見的原因是網路環境不同：如果 RAGFlow 是用 Docker 啟動的，Ollama 也必須跑在 Docker 裡（同一網路），或者透過公開網址互通，否則容器內的 RAGFlow 連不到 host 上的 Ollama。
純文字 PDF 解析結果很亂該怎麼調整？
把知識庫解析設定中的 layout recognize 關閉即可。layout recognize 是為圖像型、有版面設計的文件設計的，純文字文件誤開會讓內容被錯誤切割。
layout recognize 什麼時候需要打開？
當文件內容主要為圖像、需要 OCR 判讀時，例如掃描的影印件、圖片型 PDF 或 PowerPoint。它會先解析版面再用 OCR 擷取文字。
RAGFlow 如何降低 AI 幻覺？
RAGFlow 的回答可以附註檢索到的檔案文本與引用來源，搭配模板化、可解釋的切片技術，讓答案有理有據而非模型自由發揮。
參考資料
最後更新
2026-08-28（原文發布於 2024-07-24，本文保留原始筆記內容並補上 GEO 結構。）
關於作者 {#author}
Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。
首次發布：2024-07-24