半夏256我之前帮朋友调过一套 RAGFlow 知识库，从部署到跑通检索流程，前后踩了不少坑。最近看到 RAGFlow 更新到 v0.27.1，社区里问检索流程的人也越来越多，干脆把这套东西从原理到实操完整梳理一遍。这篇文章不聊虚的，直接讲清楚：一个文档从上传到知识库，到你问问题、系统给出带引用的答案，中间到底发生了什么，每一步有哪些关键参数和配置，以及我实际调试中遇到的那些坑。
1. 先把 RAGFlow 检索流程的整体架构摸清楚
1.1 RAGFlow 不是普通的知识库，它把检索流程拆成了五层
很多刚接触 RAG（检索增强生成）的朋友，一开始都会把“知识库”理解成一个简单的“文档仓库 + 向量数据库”，以为把 PDF 传上去、切块、embedding，然后用户提问时做一次相似度搜索就完事了。
RAGFlow 的定位不太一样。从项目早期版本开始，它就强调“深度文档理解”，也就是说，它不仅要把文档切成文本块，还要把文档的版面结构、表格关系、段落层级都解析出来，再进入检索链路。整个检索流程，我习惯把它拆成五层：
- 解析层（DeepDoc）：处理 PDF、Word、Excel、PPT 等格式，识别版面、标题、表格、图片中的文字；
- 分块层（Chunking）：把解析后的结构化内容切分成适合检索和生成的知识单元；
- 索引层（Embedding）：将文本块向量化，同时保留全文索引，构建混合检索的基础；
- 召回层（Retrieval）：用户提问后，用向量检索与全文检索同时召回候选文档片段；
- 重排与生成层（Rerank + LLM）：对召回结果进行精排，把最相关的内容交给大模型组织答案，并附上引用来源。
这个五层结构，是理解 RAGFlow 检索流程的关键。你调任何参数、排查任何问题，本质上都是在和这五层打交道。比如你觉得回答不准，问题可能出在解析层把表格内容搞乱了，也可能出在分块层把上下文切断了，还可能出在重排层没有把最关键的片段顶到最前面。
1.2 一次完整检索请求的调用链拆解
我们用一个实际场景来看整个流程：假设你想让 RAGFlow 回答“公司报销制度里差旅住宿的上限是多少”，而知识库里已经上传了一份《差旅管理制度.pdf》。
- 你输入问题后，RAGFlow 先对问题做一次 embedding，把自然语言转换成向量；
- 系统同时把原问题交给全文检索引擎（如 Elasticsearch 或内置的全文索引），做关键词匹配；
- 两路召回结果汇合，经过分数融合，得到一个候选片段列表；
- 这个候选列表传入 Rerank 模型，Rerank 会逐条计算“问题-片段”的相关性分数，重新排序；
- 排序后的 Top N 片段加上原始问题，一起拼进 Prompt，发送给 LLM；
- LLM 生成答案，并标注每个答案片段对应的知识库引用。
整个链路走下来，用户体验就是“问一个问题，得到一段有出处的回答”。但你作为搭建者，必须清楚每一步的输入输出是什么，否则遇到问题很难定位。我在实操中最大的体会是，RAGFlow 的检索流程和其他同类工具最大的区别在于：它默认把“引用溯源”作为检索流程的一部分来设计，而不是后补的一个功能。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 文档解析与分块：检索质量的第一道分水岭
2.1 DeepDoc 解析：为什么版面分析比文字提取更关键
很多人上来就跳过解析，直接把文档扔给文本切割器，这是最致命的错误。RAGFlow 内置的 DeepDoc 模块，说白了一点：它不只是“把 PDF 里的字读出来”，而是“读懂 PDF 的排版”。
举个例子，一份 PDF 里有一个跨页的表格，表格上方是标题，右侧是备注。普通的 PDF 解析库会按照阅读顺序把文字一行一行抽出来，结果表格数据、标题、备注全混在一起。DeepDoc 做的是先做版面检测，识别出“这是表格区块”