Большинство проектов на базе Retrieval-Augmented Generation (RAG) сталкиваются со сложностями при попытке загрузить в базу знаний реальные корпоративные документы. Классический «наивный» RAG делит текст на фиксированные отрезки по 500–1000 символов, разрезая строки финансовых таблиц, теряя названия колонок, сноски и колонтитулы в PDF-файлах. В результате языковая модель выдает ошибки контекста или сообщает об отсутствии данных. Решением этой задачи стал RAGFlow — открытый RAG-движок от команды InfiniFlow (лицензия Apache 2.0, свыше 93 000 звезд на GitHub), построенный на глубоком визуальном анализе документов (Deep Document Understanding, DeepDoc).
В этом руководстве инженеры SysKit разберут архитектуру RAGFlow, пошагово развернут полноценный стек сервисов в Docker Compose на виртуальном сервере VDS под управлением Ubuntu 24.04 LTS, настроят легковесный гибридный поисковый движок Infinity (экономящий до 4–6 ГБ RAM по сравнению с Elasticsearch), защитят веб-интерфейс с помощью Nginx и SSL-сертификата Let's Encrypt, а также подключат локальную языковую модель через Ollama для конфиденциальности данных по стандарту 152-ФЗ.
1. Архитектура RAGFlow: чем DeepDoc превосходит классический RAG
Классические библиотеки для RAG (например, базовые загрузчики LangChain или LlamaIndex) извлекают из PDF «сырой» текст в виде единого потока символов. Если на странице размещена сложная таблица с объединенными ячейками или двухколоночная верстка с врезками, сырой парсер смешивает строки левой и правой колонок. Полученный фрагмент текста становится бессмысленным набором слов, а векторы в векторной базе данных Qdrant или pgvector теряют релевантность.
RAGFlow кардинально меняет подход: документ сначала проходит через нейросетевую модель компьютерного зрения (DeepDoc). Система анализирует страницу по подобию оператора-человека:
- Сегментация макета (Layout Recognition): система определяет границы заголовков H1–H4, абзацев основного текста, списков, изображений, колонтитулов и сносок.
- Анализ структуры таблиц (Table Structure Recognition): распознаются как таблицы с четкими рамками (bordered), так и финансовые таблицы без видимых линий (borderless). Каждая строка сохраняет строгую привязку к заголовкам столбцов в формате Markdown/HTML.
- Встроенный OCR: для сканированных страниц и PDF-изображений активируется модуль оптического распознавания символов, преобразующий графические сканы в индексируемый текст.
- Специализированные шаблоны чанкования: вместо универсального разрезания текста пользователю доступны готовые пресеты — General (общий), Q&A (частые вопросы), Manual (инструкции с шагами), Table (таблицы), Paper (научные статьи с аннотациями) и Laws (нормативно-правовые акты со статьями и пунктами).
| Параметр | Классический Naive RAG | RAGFlow (DeepDoc) |
|---|---|---|
| Принцип парсинга | Линейное извлечение текста потоком | Визуальное распознавание макета страницы (CV + OCR) |
| Сложные таблицы | Разрезаются на случайные фрагменты, теряя структуру | Связка каждой строки с шапкой таблицы в Markdown |
| Гибридный поиск | Только косинусное сходство векторов (Dense) | Плотные векторы + BM25 полнотекст + реранкер |
| Прозрачность цитирования | Текстовая цитата без визуального контекста | Подсветка точного фрагмента на исходной странице PDF |
| Движок индексации | Отдельные векторные базы (Chroma, FAISS) | Встроенный Infinity (C++, экономия до 6 ГБ RAM) |
Архитектура стека RAGFlow включает в себя пять ключевых компонентов:
- RAGFlow Core (v0.27.3): контейнер включает в себя веб-интерфейс на React (раздается внутренним Nginx на порту
80) и сервер бизнес-логики на Python (Flask / Gunicorn, слушающий порт9380). Внутренний веб-сервер автоматически перенаправляет запросы/apiи/v1на порт 9380. Примечание: командой проекта также разрабатывается экспериментальная ветка v1.0.0-rc (включая rc3 от конца октября 2026 г. с нативным Agentic-режимом и переписанным на Go бэкендом). Переход на финальный релиз v1.0 потребует предварительного обновления до v0.27.2+ и обязательного полного бэкапа хранилища. - Infinity (v0.7.4): мультимодальная база данных нового поколения, объединяющая векторный поиск (dense vectors), разреженный поиск (sparse vectors) и полнотекстовый движок BM25. Работает на C++, не требует JVM и потребляет в 3–4 раза меньше памяти, чем Elasticsearch.
- MySQL 8.0: реляционная СУБД для хранения учетных записей, метаданных баз знаний, прав доступа и истории чат-сессий.
- MinIO: S3-совместимое объектное хранилище для оригиналов загруженных файлов (PDF, DOCX, XLSX, TXT) и сгенерированных фрагментов страниц.
- Redis 7.2: кэширование очередей задач индексации, промежуточных состояний сессий и блокировок распределенных воркеров.
2. Подготовка сервера VDS: ядро Linux, память и swap
Поскольку движок Infinity и модели компьютерного зрения DeepDoc активно используют отображение памяти в адресное пространство процесса (mmap), стандартных лимитов ядра Linux для стабильной работы недостаточно. Без предварительной настройки контейнеры с базой данных могут аварийно завершаться с ошибкой max virtual memory areas vm.max_map_count [65530] is too low.
Подключитесь к серверу VDS по SSH под учетной записью с правами sudo и выполните предварительную настройку операционной системы Ubuntu 24.04 LTS:
# Обновление индекса пакетов и установленного ПО
sudo apt update && sudo apt upgrade -y
# Установка необходимых системных утилит
sudo apt install -y curl wget git ufw htop ca-certificates gnupg lsb-release
Увеличьте лимит виртуальных областей памяти vm.max_map_count до рекомендуемого значения 262144 и зафиксируйте параметр в конфигурационном файле ядра для сохранения при перезагрузке:
# Применение параметра в работающем ядре
sudo sysctl -w vm.max_map_count=262144
# Персистентное сохранение параметра в конфигурации sysctl
echo "vm.max_map_count=262144" | sudo tee -a /etc/sysctl.d/99-ragflow.conf
# Проверка применения
sudo sysctl vm.max_map_count
Для предотвращения падения контейнеров при пиковых нагрузках (например, во время одновременного OCR-распознавания объемного 200-страничного PDF-отчета) обязательно выделите файл подкачки (Swap) объемом не менее 4 ГБ:
# Проверка наличия существующего swap
swapon --show
# Создание файла подкачки 4 ГБ (если swap отсутствует)
sudo fallocate -l 4G /swapfile
sudo chmod 600 /swapfile
sudo mkswap /swapfile
sudo swapon /swapfile
# Автоматическое подключение swap при загрузке системы
echo '/swapfile none swap sw 0 0' | sudo tee -a /etc/fstab
# Оптимизация агрессивности сброса памяти в swap (swappiness=10)
sudo sysctl vm.swappiness=10
echo "vm.swappiness=10" | sudo tee -a /etc/sysctl.d/99-ragflow.conf
Убедитесь, что на сервере установлен актуальный Docker Engine и плагин Docker Compose V2. Если они еще не установлены, воспользуйтесь официальным установочным скриптом Docker. Обратите внимание: добавление пользователя в группу docker дает права, эквивалентные root-привилегиям:
# Установка Docker через официальный репозиторий
curl -fsSL https://get.docker.com -o get-docker.sh
sudo sh get-docker.sh
# Добавление текущего пользователя в группу docker и обновление сессии
sudo usermod -aG docker $USER
newgrp docker
# Проверка версий Docker и Compose
docker --version
docker compose version
3. Развертывание RAGFlow в Docker Compose: Infinity, MySQL и MinIO
Для развертывания RAGFlow мы создадим изолированную рабочую директорию /opt/ragflow, настроим конфигурационный файл окружения .env со стойкими случайными паролями и сформируем оптимизированный манифест docker-compose.yml на базе легковесного движка Infinity v0.7.4.
Создайте директорию проекта и перейдите в нее:
sudo mkdir -p /opt/ragflow && cd /opt/ragflow
sudo mkdir -p conf nginx data/infinity data/mysql data/minio data/redis
sudo chmod 700 /opt/ragflow
Сгенерируйте надежные пароли для баз данных с помощью нашего генератора паролей или команды openssl rand -hex 16 и сохраните их в файле /opt/ragflow/.env:
cat << 'EOF' > /opt/ragflow/.env
# Версии сервисов (актуальная стабильная ветка v0.27.3 + Infinity v0.7.4)
RAGFLOW_IMAGE=infiniflow/ragflow:v0.27.3
INFINITY_IMAGE=infiniflow/infinity:v0.7.4
MYSQL_IMAGE=mysql:8.0
MINIO_IMAGE=minio/minio:RELEASE.2024-11-07T00-52-20Z
REDIS_IMAGE=redis:7.2-alpine
# Движок документов (infinity для экономии RAM вместо elasticsearch)
DOC_ENGINE=infinity
# Безопасность и пароли сервисов (обязательно замените на собственные сгенерированные пароли!)
MYSQL_ROOT_PASSWORD=SysKit_RagFlow_RootPass_2026!
MYSQL_DATABASE=rag_flow
MYSQL_USER=ragflow
MYSQL_PASSWORD=SysKit_RagFlow_DbPass_2026!
REDIS_PASSWORD=SysKit_RagFlow_RedisPass_2026!
MINIO_ROOT_USER=admin_syskit
MINIO_ROOT_PASSWORD=SysKit_RagFlow_MinioPass_2026!
# Порты хоста для публикации сервисов:
# RAGFLOW_WEB_PORT пробрасывается на внутренний порт 80 контейнера (веб-интерфейс и Nginx)
RAGFLOW_WEB_PORT=9380
# RAGFLOW_API_PORT пробрасывается на внутренний порт 9380 контейнера (прямой доступ к REST API)
RAGFLOW_API_PORT=9381
# Часовой пояс
TIMEZONE=Europe/Moscow
EOF
# Ограничение прав на файл с паролями (только владелец root)
sudo chmod 600 /opt/ragflow/.env
Создайте производственный манифест /opt/ragflow/docker-compose.yml. В Docker Compose v2 ограничения памяти и ядер процессора задаются напрямую через директивы mem_limit и cpus на уровне каждого сервиса (без избыточных Swarm-блоков deploy). Сумма лимитов (4096M + 1536M + 768M + 512M + 256M = 7168 МБ / ~7.0 ГБ) сбалансирована под базовый сервер с 8 ГБ RAM:
services:
ragflow:
image: ${RAGFLOW_IMAGE}
container_name: ragflow-server
restart: always
environment:
- DOC_ENGINE=${DOC_ENGINE}
- MYSQL_HOST=mysql
- MYSQL_PORT=3306
- MYSQL_USER=${MYSQL_USER}
- MYSQL_PASSWORD=${MYSQL_PASSWORD}
- MYSQL_DB=${MYSQL_DATABASE}
- REDIS_HOST=redis
- REDIS_PORT=6379
- REDIS_PASSWORD=${REDIS_PASSWORD}
- MINIO_HOST=minio:9000
- MINIO_USER=${MINIO_ROOT_USER}
- MINIO_PASSWORD=${MINIO_ROOT_PASSWORD}
- INFINITY_HOST=infinity
- INFINITY_PORT=23817
- TZ=${TIMEZONE}
ports:
# Порт 80 внутри контейнера отдает Web UI (встроенный веб-сервер)
- "127.0.0.1:${RAGFLOW_WEB_PORT:-9380}:80"
# Порт 9380 — прямой бэкенд API для внешних скриптов/интеграций
- "127.0.0.1:${RAGFLOW_API_PORT:-9381}:9380"
volumes:
- ./data/ragflow:/ragflow/data
- /etc/localtime:/etc/localtime:ro
depends_on:
mysql:
condition: service_healthy
redis:
condition: service_healthy
minio:
condition: service_healthy
infinity:
condition: service_started
mem_limit: 4096m
cpus: 3.0
networks:
- ragflow-net
infinity:
image: ${INFINITY_IMAGE}
container_name: ragflow-infinity
restart: always
volumes:
- ./data/infinity:/var/infinity
- /etc/localtime:/etc/localtime:ro
mem_limit: 1536m
cpus: 2.0
networks:
- ragflow-net
mysql:
image: ${MYSQL_IMAGE}
container_name: ragflow-mysql
restart: always
environment:
MYSQL_ROOT_PASSWORD: ${MYSQL_ROOT_PASSWORD}
MYSQL_DATABASE: ${MYSQL_DATABASE}
MYSQL_USER: ${MYSQL_USER}
MYSQL_PASSWORD: ${MYSQL_PASSWORD}
TZ: ${TIMEZONE}
command:
- --character-set-server=utf8mb4
- --collation-server=utf8mb4_unicode_ci
- --max_connections=300
volumes:
- ./data/mysql:/var/lib/mysql
mem_limit: 768m
healthcheck:
# Проверка доступности сокета mysqld без передачи открытого пароля в параметрах
test: ["CMD", "mysqladmin", "ping", "-h", "localhost"]
interval: 10s
timeout: 5s
retries: 10
networks:
- ragflow-net
minio:
image: ${MINIO_IMAGE}
container_name: ragflow-minio
restart: always
environment:
MINIO_ROOT_USER: ${MINIO_ROOT_USER}
MINIO_ROOT_PASSWORD: ${MINIO_ROOT_PASSWORD}
TZ: ${TIMEZONE}
command: server /data --console-address ":9001"
volumes:
- ./data/minio:/data
mem_limit: 512m
healthcheck:
test: ["CMD", "mc", "ready", "local"]
interval: 10s
timeout: 5s
retries: 5
networks:
- ragflow-net
redis:
image: ${REDIS_IMAGE}
container_name: ragflow-redis
restart: always
environment:
- REDISCLI_AUTH=${REDIS_PASSWORD}
- REDIS_PASSWORD=${REDIS_PASSWORD}
command: ["sh", "-c", "exec redis-server --requirepass \"$$REDIS_PASSWORD\" --appendonly yes"]
volumes:
- ./data/redis:/data
mem_limit: 256m
healthcheck:
# Авторизация ping через переменную REDISCLI_AUTH без раскрытия пароля в inspect
test: ["CMD", "redis-cli", "ping"]
interval: 10s
timeout: 5s
retries: 5
networks:
- ragflow-net
networks:
ragflow-net:
driver: bridge
Рекомендация по масштабированию: официальный стандарт команды InfiniFlow для высоконагруженных сред — от 16 ГБ RAM. Если вы развертываете RAGFlow на сервере с 16 ГБ RAM, лимиты mem_limit рекомендуется увеличить для параллельного OCR-парсинга тяжелых документов: RAGFlow — 8192m, Infinity — 3072m, MySQL — 1536m.
Запустите стек сервисов в фоновом режиме:
# Запуск всех контейнеров стека
docker compose up -d
# Проверка статуса работы контейнеров
docker compose ps
# Просмотр логов инициализации бэкенда RAGFlow
docker compose logs -f ragflow
Инициализация базы данных и загрузка встроенных моделей эмбеддингов/OCR при первом старте занимает от 1 до 3 минут. Когда в логах контейнера ragflow-server появится сообщение Running on http://0.0.0.0:80, сервис готов к приему входящих запросов.
4. Настройка Nginx Reverse Proxy и SSL-сертификата Let's Encrypt
Для безопасного доступа пользователей и командной работы требуется опубликовать RAGFlow по защищенному протоколу HTTPS с валидным SSL-сертификатом. В отличие от стандартных веб-сайтов, веб-интерфейс RAGFlow активно использует стриминг ответов нейросетей через Server-Sent Events (SSE) и загрузку тяжелых многостраничных документов.
Установите веб-сервер Nginx и утилиту Certbot:
sudo apt update && sudo apt install -y nginx certbot python3-certbot-nginx
Создайте конфигурационный файл виртуального хоста /etc/nginx/sites-available/ragflow.conf с базовыми заголовками безопасности (замените rag.yourdomain.ru на ваш реальный домен, направленный на IP-адрес вашего VDS):
server {
listen 80;
server_name rag.yourdomain.ru;
# Максимальный размер загружаемого документа (PDF, архивы баз знаний)
client_max_body_size 128M;
# Заголовки безопасности и HSTS
add_header X-Content-Type-Options nosniff always;
add_header X-Frame-Options SAMEORIGIN always;
add_header Strict-Transport-Security "max-age=31536000; includeSubDomains" always;
location / {
# Проксирование на порт веб-интерфейса RAGFlow
proxy_pass http://127.0.0.1:9380;
proxy_http_version 1.1;
# Заголовки проксирования
proxy_set_header Host $host;
proxy_set_header X-Real-IP $remote_addr;
proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
proxy_set_header X-Forwarded-Proto $scheme;
# Поддержка WebSocket и Server-Sent Events (SSE) для стриминга токенов
proxy_set_header Upgrade $http_upgrade;
proxy_set_header Connection "upgrade";
# Отключение буферизации для мгновенного потокового вывода ответа LLM
proxy_buffering off;
proxy_cache off;
# Увеличенные таймауты: таймаут соединения (до лимита Nginx 75с) и 300с на чтение/отправку данных
proxy_connect_timeout 60s;
proxy_send_timeout 300s;
proxy_read_timeout 300s;
}
}
Активируйте конфигурацию, проверьте синтаксис Nginx и получите бесплатный SSL-сертификат с автоматическим перенаправлением трафика на HTTPS:
# Активация сайта
sudo ln -sf /etc/nginx/sites-available/ragflow.conf /etc/nginx/sites-enabled/
# Проверка синтаксиса конфигурации Nginx
sudo nginx -t
# Перезапуск веб-сервера
sudo systemctl reload nginx
# Выпуск SSL-сертификата Let's Encrypt с автоматической настройкой HTTPS и редиректом
sudo certbot --nginx -d rag.yourdomain.ru --non-interactive --agree-tos --redirect -m admin@yourdomain.ru
После выпуска сертификата проверьте корректность настройки шифрования через наш онлайн-сервис проверки SSL-сертификатов, а состояние открытых сетевых портов — через инструмент проверки портов. Готовые конфигурации веб-сервера под другие стеки доступны в конфигураторе Nginx Reverse Proxy.
5. Системные требования и выбор оптимальной конфигурации VDS
В отличие от тривиальных веб-приложений, стек RAGFlow с модулем DeepDoc, векторным движком Infinity и сервисами баз данных предъявляет строгие требования к производительности процессора и памяти:
| Компонент | Минимум (небольшие базы до 300 стр.) | Рекомендуется (официальный стандарт) |
|---|---|---|
| Процессор (vCPU) | 4 vCPU (от 3.0 ГГц) | 4–8 vCPU (высокочастотные NVMe) |
| Оперативная память (RAM) | 8 ГБ + 4 ГБ Swap (лимит стека ~7.0 ГБ) | 16–32 ГБ RAM (без риска зависания OCR) |
| Дисковое пространство | 50 ГБ NVMe SSD | 120+ ГБ NVMe SSD |
| Операционная система | Ubuntu 22.04 / 24.04 LTS x86_64 | Ubuntu 24.04 LTS x86_64 |
| Сетевой канал | 100 Мбит/с | 200–1000 Мбит/с безлимит |
Для развертывания RAGFlow в корпоративном секторе критически важна стабильность работы под пиковой нагрузкой и соблюдение требований законодательства РФ по хранению персональных данных (152-ФЗ). Инженеры SysKit рекомендуют надежные облачные платформы с быстрыми накопителями NVMe:
`;Рекомендуемые VDS-провайдеры
Отказоустойчивые сервера с быстрыми NVMe и каналом до 1 Гбит/с
Timeweb Cloud — Мощные NVMe VDS для ИИ
Высокочастотные процессоры 3.3+ ГГц и быстрые NVMe-накопители для мгновенного инференса и векторного поиска.
Selectel — Корпоративная инфраструктура
Надежные серверы с защитой данных по 152-ФЗ, изолированными сетями и выделенными GPU-серверами.
Beget — Серверы с почасовой тарификацией
Удобная панель управления, моментальное изменение тарифов и встроенные снапшоты для безопасных экспериментов.
6. Интеграция с локальной Ollama: эмбеддинги bge-m3 и LLM
Для создания полностью автономного контура обработки закрытых корпоративных документов (коммерческая тайна, персональные данные, бухгалтерская отчетность) RAGFlow интегрируется с локальным инференс-сервером Ollama.
Если Ollama развернута на том же сервере VDS через systemd или отдельный Docker-контейнер, настройте прослушивание сетевого интерфейса docker-моста (по умолчанию 172.17.0.1) или добавьте переменную OLLAMA_HOST=0.0.0.0:11434 в файл службы /etc/systemd/system/ollama.service.d/environment.conf:
[Service]
Environment="OLLAMA_HOST=0.0.0.0:11434"
Environment="OLLAMA_ORIGINS=*"
Перезапустите службу Ollama и загрузите проверенные модели для векторных эмбеддингов и генерации ответов:
sudo systemctl daemon-reload && sudo systemctl restart ollama
# Загрузка мультиязычной модели эмбеддингов BGE-M3 (контекст до 8192 токенов, поддержка 100+ языков)
ollama pull bge-m3
# Загрузка компактной языковой модели Qwen 2.5 7B с уверенной поддержкой русского языка
ollama pull qwen2.5:7b-instruct-q4_K_M
Подключите Ollama в панели управления RAGFlow:
- Откройте в браузере ваш домен
https://rag.yourdomain.ruи зарегистрируйте учетную запись администратора. - В правом верхнем углу нажмите на аватар пользователя и перейдите в раздел Model Providers.
- Найдите блок Ollama и нажмите кнопку Add Model:
- Model Type: выберите
Embedding. - Model Name: введите
bge-m3. - Base URL: укажите адрес шлюза Docker:
http://172.17.0.1:11434(или IP-адрес сервера в локальной сети).
- Model Type: выберите
- Повторите операцию для генеративной модели:
- Model Type: выберите
Chat. - Model Name: укажите
qwen2.5:7b-instruct-q4_K_M. - Base URL:
http://172.17.0.1:11434.
- Model Type: выберите
- Нажмите Save. RAGFlow выполнит тестовый запрос к Ollama и подтвердит успешную валидацию зеленой отметкой статуса.
7. Загрузка документов, шаблоны чанкования и тестирование чата
После настройки моделей перейдите к формированию первой корпоративной базы знаний:
- В главном меню перейдите во вкладку Knowledge Base и нажмите Create Knowledge Base.
- Задайте понятное имя (например, «Бухгалтерские регламенты и сметы 2026»).
- В поле Embedding Model выберите подключенную ранее
bge-m3. - В настройках индексации выберите специализированный шаблон чанкования (Chunk Method):
- Table: активируйте для файлов Excel (.xlsx), CSV и PDF-отчетов со сложными балансовыми ведомостями. Движок преобразует каждую строку таблицы в отдельный семантический блок с дублированием названий колонок.
- Q&A: используйте для списков вопросов и ответов, клиентских FAQ и скриптов технической поддержки.
- Manual: предназначен для пошаговых технических инструкций, регламентов по технике безопасности и руководств пользователя.
- General: универсальный режим DeepDoc с глубоким OCR для сканированных актов, договоров и проектной документации.
- Загрузите PDF-документы и нажмите кнопку Parse.
В окне анализа RAGFlow отобразит интерактивный предпросмотр документа. При нажатии на любой сформированный чанк в правой панели на оригинальной странице PDF слева подсветится точная область (bounding box), откуда был извлечен данный фрагмент. Это обеспечивает прозрачность цитирования и существенно снижает риск галлюцинаций модели благодаря строгому ограничению контекста.
Для создания чат-бота перейдите в раздел Chat, создайте нового ассистента, привяжите к нему созданную базу знаний и задайте системный промпт:
Ты — корпоративный бизнес-ассистент компании.
Отвечай на вопросы строго на основе предоставленных фрагментов базы знаний.
Если точной информации в документах нет, честно сообщи об этом и не придумывай факты.
В конце каждого ответа указывай названия документов и номера страниц, откуда взята информация.
Протестируйте работу бота, задав сложный запрос, требующий сопоставления данных из разных колонок таблицы в загруженном документе. Бот сформирует ответ с интерактивной ссылкой на исходный фрагмент PDF.
8. Резервное копирование MinIO, MySQL и системная безопасность
Для обеспечения отказоустойчивости корпоративной базы знаний необходимо регулярно архивировать три взаимосвязанных компонента:
- Базу данных MySQL: метаданные учетных записей, настройки чат-ассистентов, права доступа и параметры чанкования.
- Объектное хранилище MinIO: оригиналы загруженных документов (PDF, XLSX, DOCX) и сгенерированные графические фрагменты страниц.
- Векторный индекс Infinity (
data/infinity): рассчитанные векторы эмбеддингов и инвертированные индексы полнотекстового поиска BM25.
Важное правило целостности данных: архивация активных хранилищ данных (как LSM-дерева Infinity, так и объектного кэша MinIO) «на горячую» через обычный tar сопряжена с риском получения неконсистентных снимков при фоновой записи. Поэтому в производственном скрипте контейнеры ragflow-infinity и ragflow-minio кратковременно останавливаются на 5–10 секунд на время создания архивов и сразу же запускаются обратно.
Для предотвращения утечки паролей скрипт динамически считывает переменные из защищенного файла /opt/ragflow/.env (права 600), а параметры подключения к MySQL передаются через поток my.cnf без раскрытия в аргументах процессов ps aux.
Создайте скрипт автоматического резервного копирования /opt/ragflow/backup.sh:
cat << 'EOF' | sudo tee /opt/ragflow/backup.sh
#!/bin/bash
set -eo pipefail
BACKUP_DIR="/var/backups/ragflow"
DATE=$(date +"%Y-%m-%d_%H-%M-%S")
TARGET_DIR="${BACKUP_DIR}/${DATE}"
# Загрузка учетных данных из защищенного файла конфигурации
if [ -f /opt/ragflow/.env ]; then
set -a
. /opt/ragflow/.env
set +a
fi
mkdir -p "${TARGET_DIR}"
echo "[${DATE}] Начало резервного копирования RAGFlow..."
# 1. Дамп базы данных MySQL через безопасный поток my.cnf (без утечки пароля в ps aux)
docker exec -i ragflow-mysql sh -c "exec mysqldump --defaults-extra-file=/dev/fd/0 ${MYSQL_DATABASE}" << EOF_SQL | gzip > "${TARGET_DIR}/mysql_dump.sql.gz"
[client]
user=${MYSQL_USER}
password=${MYSQL_PASSWORD}
host=localhost
EOF_SQL
# 2. Консистентная архивация Infinity и MinIO с кратковременной паузой (5-10 сек)
echo "Остановка сервисов Infinity и MinIO для создания консистентных архивов..."
docker compose -f /opt/ragflow/docker-compose.yml stop infinity minio
tar -czf "${TARGET_DIR}/infinity_data.tar.gz" -C /opt/ragflow/data infinity
tar -czf "${TARGET_DIR}/minio_data.tar.gz" -C /opt/ragflow/data minio
docker compose -f /opt/ragflow/docker-compose.yml start infinity minio
# 3. Архивация конфигурационных файлов
cp /opt/ragflow/.env "${TARGET_DIR}/.env.backup"
cp /opt/ragflow/docker-compose.yml "${TARGET_DIR}/docker-compose.yml.backup"
# 4. Ротация бэкапов (удаление копий старше 7 дней)
find "${BACKUP_DIR}" -mindepth 1 -maxdepth 1 -type d -mtime +7 -exec rm -rf {} +
echo "[${DATE}] Резервное копирование успешно завершено в ${TARGET_DIR}."
EOF
# Ограничение прав на выполнение скрипта бэкапа (только root)
sudo chmod 700 /opt/ragflow/backup.sh
Добавьте запуск резервного копирования в расписание планировщика cron каждую ночь в 03:00 с защитой от дублирования строк:
(sudo crontab -l 2>/dev/null | grep -v "/opt/ragflow/backup.sh"; echo "0 3 * * * /opt/ragflow/backup.sh >> /var/log/ragflow-backup.log 2>&1") | sudo crontab -
Настройте сетевой экран UFW, закрыв все неиспользуемые порты и разрешив входящие подключения только для SSH, HTTP и HTTPS:
# Базовые правила UFW
sudo ufw default deny incoming
sudo ufw default allow outgoing
# Разрешение портов управления и веб-трафика
sudo ufw allow 22/tcp comment 'SSH'
sudo ufw allow 80/tcp comment 'HTTP Certbot'
sudo ufw allow 443/tcp comment 'HTTPS Nginx'
# Включение фаервола
sudo ufw --force enable
sudo ufw status verbose
Правила фильтрации портов и интеграции с Docker подробно разобраны в нашем интерактивном конфигураторе правил фаервола UFW.
9. Итоговый чек-лист развертывания RAGFlow
Перед переводом корпоративной базы знаний RAGFlow в промышленную эксплуатацию выполните контрольную проверку по чек-листу инженеров SysKit:
- Параметры ядра: параметр
vm.max_map_countустановлен в262144и зафиксирован в/etc/sysctl.d/99-ragflow.conf. - Файл подкачки: активирован Swap объемом 4–8 ГБ с параметром
swappiness=10для защиты от аварийного OOM Killer. - Движок документов: в переменной
DOC_ENGINEуказан легковесныйinfinityv0.7.4 вместо прожорливого Elasticsearch. - Лимиты ресурсов Compose v2: прямые директивы
mem_limitдля контейнеров установлены в пределах ~7.0 ГБ для стабильной работы на базовом VDS с 8 ГБ RAM. - Изоляция портов: порты баз данных (MySQL 3306, Redis 6379, Infinity 23817, MinIO 9000) не имеют внешнего маппинга, а веб-порт 80 контейнера привязан строго к
127.0.0.1:9380. - Безопасность обратного прокси: Nginx настроен с поддержкой WebSocket, отключенной буферизацией (для потокового вывода токенов) и лимитом загрузки файлов не менее
128M. - Шифрование и HSTS: выпущен SSL-сертификат Let's Encrypt с принудительным редиректом, активны заголовки HSTS, выполнена проверка через SSL-чекер.
- Модели ИИ: загружена мультиязычная модель эмбеддингов
bge-m3и настроена связь с локальной Ollama по внутреннему адресу Docker-шлюза. - Специализация парсинга: для документов с финансовыми данными и сметами выбран парсер
Table, а для сканов — глубокий OCR. - Консистентный бэкап: скрипт
backup.shнастроен с кратковременной остановкой Infinity и MinIO для целостности снимков, протестирован в ручном режиме и добавлен вcron.
Развернутый по данной схеме стек RAGFlow обеспечивает высокую точность извлечения фактов из сложных корпоративных документов, гарантирует 100% приватность данных внутри контура вашего VDS и исключает абонентскую плату за дорогостоящие зарубежные проприетарные SaaS-платформы.
`;