RAGFlow介绍

1. 官网：https://ragflow.io/
2. 将生成式人工智能融入您的业务 （检索增强生成引擎，释放您的全部潜力）
3. RAGFlow 是一款基于深度文档理解构建的开源 RAG（Retrieval-Augmented Generation）引擎。RAGFlow 可以为各种规模的企业及个人提供一套精简的 RAG 工作流程，结合大语言模型（LLM）针对用户各类不同的复杂格式数据提供可靠的问答以及有理有据的引用。

v0.20.5版本

1. 新功能

主要改进：
1. Agent 性能优化：提升了 Agent 节点在处理简单任务时的规划与反思速度；对于可并行的任务场景，优化并发调用工具，显著缩短整体响应时间。  
2. 开放 Agent 节点框架提示词：开发者可在系统提示词区域自定义覆盖框架提示词，进一步提升灵活性与可控性。  
3. Agent 问题修复：修复了包括引用开关不生效、任务模式需对话触发、多轮对话反复回答上个问题、并行执行结果重复汇总等问题。  
4. Execute SQL 组件优化：替换原变量引用组件为文本输入组件，支持自由编写 SQL 语句和变量引用。  
5. Chat 模块修复：修复了 Ollama 模型无法正常对话的问题，恢复推理开关与跨语言搜索能力。  
6. 知识库修复：解决了已删除文件仍可被检索到的异常。  
7. 检索 API 增强：/api/v1/retrieval 新增支持 metadata 过滤。  
8. 新增模型：美团 LongCat，Kimi 新增支持 kimi-k2-turbo-preview 与 kimi-k2-0905-preview，Qwen 新增支持 qwen3-max-preview，硅基流动新增支持 DeepSeek V3.1。

2. 更多版本信息： https://github.com/infiniflow/ragflow/releases/tag/v0.20.5

安装脚本

1. 注意事项：确保服务器8077端口不被占用，不然需自己更改端口信息

创建目录

1. mkdir -p /data/yunxinai && cd /data/yunxinai/

脚本下载

1. 下载git脚本：git clone https://gitcode.com/yunxinai/rag-sh.git
   
2. 如果没有安装git，则进行git安装：yum install -y git

脚本执行

1. 脚本执行：sh /data/yunxinai/rag-sh/ragflow/0.20.5-slim/start.sh

2. 如没有安装docker 或者 docker-compose 请参考：https://mp.weixin.qq.com/s/gKFdHNumVAGdlFZdbdmIRw

3. 镜像拉取
   
   

4. 查看是否启动成功：docker-compose ps
   

报错解决

1. 报错信息：Error response from daemon: failed to create task for container: failed to create shim task: OCI runtime create failed: runc create failed: unable to start container process: exec: “./entrypoint.sh”: permission denied: unknown
   
2. 报错解决，执行脚本：chmod +x /data/yunxinai/ragflow/v0.20.5-slim/ai-code-ragflow/0.20.5/docker/*.sh
3. 再重新启动，在对应目录：cd /data/yunxinai/ragflow/v0.20.5-slim/ai-code-ragflow/0.20.5/docker
4. 执行启动命令：docker-compose -f docker-compose.yml up -d
   

RAGFlow验证

初始化账号

1. 部署的IP+端口进行访问，默认为8077端口，如：http://11.0.1.141:8077/login
2. 创建账户
   
3. 进行登录
   
4. 首页信息，是不是比之前好看很多
   

版本验证

1. 查看系统版本信息
   
2. 至此，RAGFlow 0.20.5 版本的安装流程就全部完成了。整个过程中如果遇到任何问题，欢迎随时私信博主微信：cqyunxinai，我会尽力为大家解答并提供帮助。