README_ko.md

English | 简体中文 | 日本語 | 한국어 |

Document | Roadmap | Twitter | Discord | Demo

💡 RAGFlow란?

RAGFlow는 심층 문서 이해에 기반한 오픈소스 RAG (Retrieval-Augmented Generation) 엔진입니다. 이 엔진은 대규모 언어 모델(LLM)과 결합하여 정확한 질문 응답 기능을 제공하며, 다양한 복잡한 형식의 데이터에서 신뢰할 수 있는 출처를 바탕으로 한 인용을 통해 이를 뒷받침합니다. RAGFlow는 규모에 상관없이 모든 기업에 최적화된 RAG 워크플로우를 제공합니다.

🎮 데모

데모를 https://demo.ragflow.io에서 실행해 보세요.

🔥 업데이트

• 2024-09-29 다단계 대화를 최적화합니다.

• 2024-09-13 지식베이스 Q&A 검색 모드를 추가합니다.

• 2024-09-09 Agent에 의료상담 템플릿을 추가하였습니다.

• 2024-08-22 RAG를 통해 SQL 문에 텍스트를 지원합니다.

• 2024-08-02: graphrag와 마인드맵에서 영감을 받은 GraphRAG를 지원합니다.

🎉 계속 지켜봐 주세요

⭐️우리의 저장소를 즐겨찾기에 등록하여 흥미로운 새로운 기능과 업데이트를 최신 상태로 유지하세요! 모든 새로운 릴리스에 대한 즉시 알림을 받으세요! 🌟

🌟 주요 기능

🍭 "Quality in, quality out"

• 심층 문서 이해를 기반으로 복잡한 형식의 비정형 데이터에서 지식을 추출합니다.
• 문자 그대로 무한한 토큰에서 "데이터 속의 바늘"을 찾아냅니다.

🍱 템플릿 기반의 chunking

• 똑똑하고 설명 가능한 방식.
• 다양한 템플릿 옵션을 제공합니다.

🌱 할루시네이션을 줄인 신뢰할 수 있는 인용

• 텍스트 청킹을 시각화하여 사용자가 개입할 수 있도록 합니다.
• 중요한 참고 자료와 추적 가능한 인용을 빠르게 확인하여 신뢰할 수 있는 답변을 지원합니다.

🍔 다른 종류의 데이터 소스와의 호환성

• 워드, 슬라이드, 엑셀, 텍스트 파일, 이미지, 스캔본, 구조화된 데이터, 웹 페이지 등을 지원합니다.

🛀 자동화되고 손쉬운 RAG 워크플로우

• 개인 및 대규모 비즈니스에 맞춘 효율적인 RAG 오케스트레이션.
• 구성 가능한 LLM 및 임베딩 모델.
• 다중 검색과 결합된 re-ranking.
• 비즈니스와 원활하게 통합할 수 있는 직관적인 API.

🔎 시스템 아키텍처

🎬 시작하기

📝 사전 준비 사항

• CPU >= 4 cores
• RAM >= 16 GB
• Disk >= 50 GB
• Docker >= 24.0.0 & Docker Compose >= v2.26.1

  로컬 머신(Windows, Mac, Linux)에 Docker가 설치되지 않은 경우, Docker 엔진 설치를 참조하세요.

🚀 서버 시작하기

1. vm.max_map_count가 262144 이상인지 확인하세요:

   vm.max_map_count의 값을 아래 명령어를 통해 확인하세요:

   $ sysctl vm.max_map_count
   

   만약 vm.max_map_count 이 262144 보다 작다면 값을 쟈설정하세요.

   # 이 경우에 262144로 설정했습니다.:
   $ sudo sysctl -w vm.max_map_count=262144
   

   이 변경 사항은 시스템 재부팅 후에 초기화됩니다. 변경 사항을 영구적으로 적용하려면 /etc/sysctl.conf 파일에 vm.max_map_count 값을 추가하거나 업데이트하세요:

   vm.max_map_count=262144
   

2. 레포지토리를 클론하세요:

   $ git clone https://github.com/infiniflow/ragflow.git
   

3. 미리 빌드된 Docker 이미지를 생성하고 서버를 시작하세요:

   다음 명령어를 실행하면 dev 버전의 RAGFlow Docker 이미지가 자동으로 다운로드됩니다. 특정 Docker 버전을 다운로드하고 실행하려면, docker/.env 파일에서 RAGFLOW_IMAGE을 원하는 버전으로 업데이트한 후, 예를 들어 RAGFLOW_IMAGE=infiniflow/ragflow:v0.12.0로 업데이트 한 뒤, 다음 명령어를 실행하세요.

   $ cd ragflow/docker
   $ chmod +x ./entrypoint.sh
   $ docker compose up -d
   

   기본 이미지는 약 9GB 크기이며 로드하는 데 시간이 걸릴 수 있습니다.

4. 서버가 시작된 후 서버 상태를 확인하세요:

   $ docker logs -f ragflow-server
   

   다음 출력 결과로 시스템이 성공적으로 시작되었음을 확인합니다:

        ____   ___    ______ ______ __               
       / __ \ /   |  / ____// ____// /____  _      __
      / /_/ // /| | / / __ / /_   / // __ \| | /| / /
     / _, _// ___ |/ /_/ // __/  / // /_/ /| |/ |/ / 
    /_/ |_|/_/  |_|\____//_/    /_/ \____/ |__/|__/  
   
    * Running on all addresses (0.0.0.0)
    * Running on http://127.0.0.1:9380
    * Running on http://x.x.x.x:9380
    INFO:werkzeug:Press CTRL+C to quit
   

   만약 확인 단계를 건너뛰고 바로 RAGFlow에 로그인하면, RAGFlow가 완전히 초기화되지 않았기 때문에 브라우저에서 network abnormal 오류가 발생할 수 있습니다.

5. 웹 브라우저에 서버의 IP 주소를 입력하고 RAGFlow에 로그인하세요.

   기본 설정을 사용할 경우, http://IP_OF_YOUR_MACHINE만 입력하면 됩니다 (포트 번호는 제외). 기본 HTTP 서비스 포트 80은 기본 구성으로 사용할 때 생략할 수 있습니다.

6. service_conf.yaml 파일에서 원하는 LLM 팩토리를 user_default_llm에 선택하고, API_KEY 필드를 해당 API 키로 업데이트하세요.

   자세한 내용은 llm_api_key_setup를 참조하세요.

   이제 쇼가 시작됩니다!

🔧 설정

시스템 설정과 관련하여 다음 파일들을 관리해야 합니다:

• .env: SVR_HTTP_PORT, MYSQL_PASSWORD, MINIO_PASSWORD와 같은 시스템의 기본 설정을 포함합니다.
• service_conf.yaml: 백엔드 서비스를 구성합니다.
• docker-compose.yml: 시스템은 docker-compose.yml을 사용하여 시작됩니다.

.env 파일의 변경 사항이 service_conf.yaml 파일의 내용과 일치하도록 해야 합니다.

./docker/README 파일에는 환경 설정과 서비스 구성에 대한 자세한 설명이 있으며, ./docker/README 파일에 나열된 모든 환경 설정이 service_conf.yaml 파일의 해당 구성과 일치하도록 해야 합니다.

기본 HTTP 서비스 포트(80)를 업데이트하려면 docker-compose.yml 파일에서 80:80을 <YOUR_SERVING_PORT>:80으로 변경하세요.

모든 시스템 구성 업데이트는 적용되기 위해 시스템 재부팅이 필요합니다.

$ docker compose -f docker/docker-compose.yml up -d

🔧 소스 코드로 Docker 이미지를 컴파일합니다(임베딩 모델 포함하지 않음)

이 Docker 이미지의 크기는 약 1GB이며, 외부 대형 모델과 임베딩 서비스에 의존합니다.

git clone https://github.com/infiniflow/ragflow.git
cd ragflow/
pip3 install huggingface-hub nltk
python3 download_deps.py
docker build -f Dockerfile.slim -t infiniflow/ragflow:dev-slim .

🔧 소스 코드로 Docker 이미지를 컴파일합니다(임베딩 모델 포함)

이 Docker의 크기는 약 9GB이며, 이미 임베딩 모델을 포함하고 있으므로 외부 대형 모델 서비스에만 의존하면 됩니다.

git clone https://github.com/infiniflow/ragflow.git
cd ragflow/
pip3 install huggingface-hub nltk
python3 download_deps.py
docker build -f Dockerfile -t infiniflow/ragflow:dev .

🔨 소스 코드로 서비스를 시작합니다.

1. Poetry를 설치하거나 이미 설치된 경우 이 단계를 건너뜁니다:

   curl -sSL https://install.python-poetry.org | python3 -
   

2. 소스 코드를 클론하고 Python 의존성을 설치합니다:

   git clone https://github.com/infiniflow/ragflow.git
   cd ragflow/
   export POETRY_VIRTUALENVS_CREATE=true POETRY_VIRTUALENVS_IN_PROJECT=true
   ~/.local/bin/poetry install --sync --no-root # install RAGFlow dependent python modules
   

3. Docker Compose를 사용하여 의존 서비스(MinIO, Elasticsearch, Redis 및 MySQL)를 시작합니다:

   docker compose -f docker/docker-compose-base.yml up -d
   

   /etc/hosts 에 다음 줄을 추가하여 docker/service_conf.yaml 에 지정된 모든 호스트를 127.0.0.1 로 해결합니다:

   127.0.0.1       es01 mysql minio redis
   

   docker/service_conf.yaml 에서 mysql 포트를 5455 로, es 포트를 1200 으로 업데이트합니다( docker/.env 에 지정된 대로).

4. HuggingFace에 접근할 수 없는 경우, HF_ENDPOINT 환경 변수를 설정하여 미러 사이트를 사용하세요:

   export HF_ENDPOINT=https://hf-mirror.com
   

5. 백엔드 서비스를 시작합니다:

   source .venv/bin/activate
   export PYTHONPATH=$(pwd)
   bash docker/launch_backend_service.sh
   

6. 프론트엔드 의존성을 설치합니다:

   cd web
   npm install --force
   

7. .umirc.ts 에서 proxy.target 을 http://127.0.0.1:9380 으로 업데이트합니다:

8. 프론트엔드 서비스를 시작합니다:

   npm run dev 
   

   다음 인터페이스는 시스템이 성공적으로 시작되었음을 나타냅니다:

   

📚 문서

• Quickstart
• User guide
• References
• FAQ

📜 로드맵

RAGFlow 로드맵 2024을 확인하세요.

🏄 커뮤니티

• Discord
• Twitter
• GitHub Discussions

🙌 컨트리뷰션

RAGFlow는 오픈소스 협업을 통해 발전합니다. 이러한 정신을 바탕으로, 우리는 커뮤니티의 다양한 기여를 환영합니다. 참여하고 싶으시다면, 먼저 가이드라인을 검토해 주세요.