RAGFlow入门到实战（五）RAGFlow 的Agent智能助手应用

接下来，让我们赶快看看 RAGFlow 的Agent智能助手如何应用吧。

安卓老猴子

1986人浏览 · 2025-08-30 19:30:00

安卓老猴子 · 2025-08-30 19:30:00 发布

接下来，让我们赶快看看 RAGFlow 的Agent智能助手如何应用吧。

Agent 智能助手

步骤1：创建Agent

首先，我们选中顶部导航栏中的“Agent”菜单项，点击右上角的“Create Agent”，如下图所示：

接着，我们选择 RAGFlow 内置的一个基于知识库检索问答Agent模版，如下图所示：

点击Agent版本，输入Agent名称，比如test，即可自动创建出来一个Agent。

基于该 Agent 模板，我们稍加修改，开始节点编排，如下图所示：

点击加号，即可添加选择任意一个新节点，如下图所示：

搜索Agent编排，如下图所示：

检索本地知识库编排，如下图所示：

除了在上图中添加本地已构建的专属知识库——设计模式以外，我们再尝试添加一个Github网站搜索工具，并设置高级参数，如下图所示：

然后，在右上角顶部的点击“保存”按钮。

此时，就可以点击“运行”，开始尝试运行Agent应用啦。。。

在右下角我们输入提示词：什么是设计模式，按Enter回车键或者点击右下角的“搜索”小箭头图标，看看Agent表现效果如何，具体如下图所示：

在running…的紧挨着的上方右侧第一个“笔记本”小图标按，支持点击查看Agent实时运行日志Log，如下图所示：

温馨提示：

关于 Agent 节点（即，大模型 LLM）的系统提示词，小伙伴们可以根据各自需求自定义编写哈，这里我建议大家可以先参考一些开源的系统提示词 Prompt 模版，等自己熟练掌握了系统提示词 Prompt 之后，自己再按照自己的想法来自由编写。简而言之，我们要站在巨人的肩膀上，先模仿，再超越嘛！切忌闭门造车！

文件管理

文件管理应用模块，主要是用于下载和预览已经上传的文件资料。

点击上图中“操作”这一列下面的小眼睛图标，即可支持在线预览已上传的文件内容，如下图我们可以清楚的看到，已上传解析处理的《java设计模式》pdf文档，共计有415页。

常见问题与解决方案

问题1：RAGFlow 登录报错502（Bad Gateway）

如下图所示：

原因分析：

502状态码（Bad Gateway）是一种HTTP协议的服务端错误状态代码，表示作为网关或代理的服务器从上游服务器接收到的响应无效。

这说明RAGFlow有个Base基础服务没有成功启动，我们需要检测一下后端是否正常。

解决方案：

进入docker目录下，重启执行安装基础服务，命令行如下：

sudo docker-compose -f docker-compose-base.yml --profile infinity up -d

其中，使用 --profile infinity参数时，只有里配置了infinity配置文件的服务会被启动。

具体如下图所示：

问题2：构建知识库时，上传文档在解析过程中报错：Page(109~121): [ERROR]Generate embedding error:Function ‘batch_encode’ timed out after 5 seconds and 2 attempts.

如下图所示：

原因分析：

从错误信息来看，batch_encode 函数在尝试生成嵌入时超时了。这可能是由于处理的数据量较大，或者函数本身的性能问题导致的。

解决方案：

在“切片方法”中，结合硬件性能，适当调小“任务页面大小”数值。这里，我设置为1，成功解决了该问题。小伙伴们可供参考。

关于"General" 分块方法说明：

支持的文件格式为MD、MDX、DOCX、XLSX、XLS (Excel 97-2003)、PPT、PDF、TXT、JPEG、JPG、PNG、TIF、GIF、CSV、JSON、EML、HTML。

此方法将简单的方法应用于块文件：

系统将使用视觉检测模型将连续文本分割成多个片段。

接下来，这些连续的片段被合并成Token数不超过“Token数”的块。

关于“任务页面大小”参数说明：如果使用布局识别，PDF 文件将被分成连续的组。布局分析将在组之间并行执行，以提高处理速度。 “任务页面大小”决定组的大小。页面大小越大，将页面之间的连续文本分割成不同块的机会就越低。

当然，GitHub官网上关于该问题也有一些其他的解决方案可供小伙伴们参考，具体如下图所示：

小结

本系列带领小伙伴们一起初步探索体验了 RAGFlow 的强大功能。

总体而言，RAGFlow 是一个开源的检索增强生成（RAG）引擎，目前已构建提供了一个轻量级且相对完整的AI应用框架，通过知识库管理、智能搜索、Agent编排、文件处理四大核心模块，实现企业级知识驱动应用。其架构融合向量检索、Rerank重排序与LLM生成，精准匹配用户查询与知识库内容，支持多模态文档解析与自定义工作流。通过优化检索-生成链路，显著提升答案准确率、降低幻觉，并保障数据安全与可扩展性，适用于智能客服、文档分析等场景。

当然，RAGFlow 仍有提升空间：一是内置的工具插件与 Agent 模板数量还不够丰富；二是Agent编排界面的操作便捷性，相较于Dify工作流编排稍显逊色。当然，每个产品定位和在不同发展阶段各有侧重点，RAGFlow 当前的核心优势在于构建知识库，并深度结合大模型（如DeepSeek-R1）生成精准、上下文相关的回答。