RAG

RAG（检索增强生成）基于 文档空间 中的语料：上传文件 → 解析分块 → 向量化入库 → 检索召回片段 → 交给智能体组织回答。回答应依据检索到的片段，避免脱离证据编造。

原理

环节	说明
语料	文档空间内的文件，按空间隔离权限
知识库	每个空间对应 RAGFlow 数据集（knowledge_base_id）
入库	上传文件后经 RAGFlow 解析（分块） 并写入向量索引
检索	按用户问题取向量近邻 chunk，拼成上下文
生成	智能体结合检索片段作答，可要求标注来源

站点须配置 RAGFlow 地址与 Token（RagFlowUrl / RagFlowToken）；未配置时空间向量化任务无法执行。

操作

1. 准备文档空间

1. 进入 空间管理（/space-management），创建或选择知识空间。
2. 配置空间归属与配额；确认当前用户具备读写权限。
3. 在空间内上传语料（见下方支持格式）。

2. 上传并向量化

文件上传至空间后，创建 向量化任务（type=4，须带 space_id）：

1. 系统将文件送至 RAGFlow 对应数据集；
2. 调用 上传文档 API；
3. 再调用 解析（分块） API，完成 chunk 入库；
4. 文件记录保存 knowledge_id（RAGFlow 文档 id），供后续更新/删除。

删除空间内 RAG 语料时使用 type=0 任务，按 knowledge_id 删除 RAGFlow 文档。

RAGFlow 可直接解析的常见格式（以引擎为准）：PDF、TXT/MD、Word/Excel/PPT（doc/docx/xls/xlsx/ppt/pptx）、HTML、JSON、CSV，以及常见图片格式等。部分格式需先完成 PDF/Markdown 转换后再向量化。

3. 检索与问答

方式 A — 智能引擎流程

1. 流程中拖入 知识检索 节点（类型 11），配置 space_ids、提示词等。
2. 下游接 智能体 节点，要求仅依据 context 检索结果回答。
3. 无命中时可加 检索优化 节点（类型 26）或调整空间与问法。

方式 B — 智能体 + MCP

在智能体上挂 RAG 检索相关 MCP（如 RagFlowRetrieval），由助手对话触发检索后再生成。

4. 维护

• 文件更新：重新上传并向量化，或先删后传。
• 空间与数据集：首次向量化时自动创建 RAGFlow dataset 并回写 knowledge_base_id。

分块

分块质量直接影响召回与回答准确度。平台侧分两层理解：

RAGFlow 解析分块（入库）

向量化任务在 RAGFlow 侧执行 ParseDocuments（分块）：把整篇文档切成可检索的 chunk 并建立向量索引。具体切分策略由 RAGFlow 按文件类型处理；ProCode 负责上传、触发解析与状态回写。

语义感知分块（平台能力）

引擎内 SemanticAwareChunker 用于 Markdown 等文本的语义分块，原则如下：

规则	说明
语义单元	以段落、标题、代码块、表格行为最小单元，尽量不拆断完整语义
标题 / 空行	标题单独成段；空行作为段落边界
表格 / 代码	表格整块保留；代码块不从中切断
超长单元	先按句子边界切，再按行回退
Token 上限	默认单 chunk 约 2000 token（可配置 MaxTokensPerChunk）
重叠	可选 chunk 间重叠 token（OverlapTokens），按语义单元回带

上传前若已转为 Markdown，会更有利于保持结构化的分块效果。

常见问题

• 无命中：空间未选对、文件未向量化完成、或问题与语料表述偏差。
• 答非所问：限制智能体只依据检索片段；检查 space_ids 是否包含目标空间。
• 向量化失败：检查 RAGFlow 配置、文件格式是否支持、是否需等待 PDF/MD 转换完成。
• 与参考数据混淆：参考数据 服务 Text2SQL；RAG 服务知识问答，二者语料来源不同。

相关文档

• 文档空间
• 文档中心
• 知识检索节点
• AI 流程编排