ИИ и автоматизация 18 мин чтения 2026-11-04

Развертывание RAGFlow в Docker Compose на VDS: глубокий RAG-движок для сложных документов, PDF-таблиц и корпоративных баз знаний

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…

Инженерная редакция SysKit Проверено инженерами SysKit.ru

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:

  1. 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 порт 9380). Внутренний веб-сервер автоматически перенаправляет запросы /api и /v1 на 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.
  2. 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.
  3. MySQL 8.0: реляционная СУБД для хранения учетных записей, метаданных баз знаний, прав доступа и истории чат-сессий.
  4. MinIO: S3-совместимое объектное хранилище для оригиналов загруженных файлов (PDF, DOCX, XLSX, TXT) и сгенерированных фрагментов страниц.
  5. 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

Выбор редакции
⚡

Timeweb Cloud — Мощные NVMe VDS для ИИ

Высокочастотные процессоры 3.3+ ГГц и быстрые NVMe-накопители для мгновенного инференса и векторного поиска.

Конфигурация
4 vCPU • 8 ГБ RAM • 100 ГБ NVMe • Трафик без лимита
Премиум Tier III
🔷

Selectel — Корпоративная инфраструктура

Надежные серверы с защитой данных по 152-ФЗ, изолированными сетями и выделенными GPU-серверами.

Конфигурация
4 vCPU • 16 ГБ RAM • 120 ГБ NVMe • Сеть до 1 Гбит/с
Гибкость и удобство
🟠

Beget — Серверы с почасовой тарификацией

Удобная панель управления, моментальное изменение тарифов и встроенные снапшоты для безопасных экспериментов.

Конфигурация
4 vCPU • 8 ГБ RAM • 80 ГБ NVMe • Трафик без лимита

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:

  1. Откройте в браузере ваш домен https://rag.yourdomain.ru и зарегистрируйте учетную запись администратора.
  2. В правом верхнем углу нажмите на аватар пользователя и перейдите в раздел Model Providers.
  3. 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).
  4. 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.
  5. 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:

  1. В главном меню перейдите во вкладку Knowledge Base и нажмите Create Knowledge Base.
  2. Задайте понятное имя (например, «Бухгалтерские регламенты и сметы 2026»).
  3. В поле Embedding Model выберите подключенную ранее bge-m3.
  4. 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.
  5. 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:

  1. Базу данных MySQL: метаданные учетных записей, настройки чат-ассистентов, права доступа и параметры чанкования.
  2. Объектное хранилище MinIO: оригиналы загруженных документов (PDF, XLSX, DOCX) и сгенерированные графические фрагменты страниц.
  3. 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:

  1. Параметры ядра: параметр vm.max_map_count установлен в 262144 и зафиксирован в /etc/sysctl.d/99-ragflow.conf.
  2. Файл подкачки: активирован Swap объемом 4–8 ГБ с параметром swappiness=10 для защиты от аварийного OOM Killer.
  3. Движок документов: в переменной DOC_ENGINE указан легковесный infinity v0.7.4 вместо прожорливого Elasticsearch.
  4. Лимиты ресурсов Compose v2: прямые директивы mem_limit для контейнеров установлены в пределах ~7.0 ГБ для стабильной работы на базовом VDS с 8 ГБ RAM.
  5. 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.
  6. Безопасность обратного прокси: Nginx настроен с поддержкой WebSocket, отключенной буферизацией (для потокового вывода токенов) и лимитом загрузки файлов не менее 128M.
  7. Шифрование и HSTS: выпущен SSL-сертификат Let's Encrypt с принудительным редиректом, активны заголовки HSTS, выполнена проверка через SSL-чекер.
  8. Модели ИИ: загружена мультиязычная модель эмбеддингов bge-m3 и настроена связь с локальной Ollama по внутреннему адресу Docker-шлюза.
  9. Специализация парсинга: для документов с финансовыми данными и сметами выбран парсер Table, а для сканов — глубокий OCR.
  10. Консистентный бэкап: скрипт backup.sh настроен с кратковременной остановкой Infinity и MinIO для целостности снимков, протестирован в ручном режиме и добавлен в cron.

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.

`;

Вопросы и ответы (FAQ)

Популярные вопросы вебмастеров и сисадминов по данной теме

В чем ключевое отличие RAGFlow от стандартных RAG-решений вроде LangChain или LlamaIndex?
Большинство RAG-фреймворков разрезают текст на одинаковые блоки по 500-1000 символов (naive chunking). Из-за этого разрезаются таблицы, теряются заголовки и связи в сложных документах. RAGFlow использует движок DeepDoc, который сначала визуально анализирует макет страницы (OCR, распознавание границ колонок, строк таблиц и заголовков), строит семантическое дерево документа и только затем формирует структурированные чанки с сохранением контекста.
Почему в статье рекомендуется движок Infinity вместо Elasticsearch?
Elasticsearch требует от 4 до 8 ГБ оперативной памяти только на JVM heap, что сильно удорожает аренду VDS. Встроенный C++ движок Infinity (актуальная версия v0.7.4) оптимизирован специально под гибридный поиск (dense + sparse векторный поиск и BM25) и потребляет всего 1–2 ГБ RAM при высокой скорости поиска.
Какая версия RAGFlow и Infinity рекомендуется для production-развертывания?
Для стабильной промышленной эксплуатации рекомендуется официальный образ infiniflow/ragflow:v0.27.3 со встроенным движком Infinity v0.7.4. Параллельно развивается экспериментальная линейка v1.0.0-rc (включая rc3 с поддержкой Agentic mode и переписанным на Go бэкендом). Переход на релиз v1.0 потребует предварительного обновления до промежуточных версий v0.27.2+ и обязательного создания полного бэкапа.
На каком порту контейнера слушает веб-интерфейс RAGFlow?
Внутри контейнера infiniflow/ragflow запущен встроенный Nginx, который принимает подключения к Web UI на порту 80 и проксирует запросы к внутреннему API (порт 9380). Поэтому внешний реверс-прокси Nginx подключается к порту 80 контейнера, который для безопасности проброшен на локальный порт хоста 127.0.0.1:9380.
Как защитить веб-интерфейс RAGFlow от несанкционированного доступа из интернета?
В docker-compose.yml порт веб-интерфейса привязан строго к локальному адресу 127.0.0.1:9380:80. Доступ организуется через обратный прокси Nginx с шифрованием Let's Encrypt SSL, строгими заголовками HSTS и защитой от внедрения во фреймы (X-Frame-Options SAMEORIGIN).

Читайте также в блоге SysKit

Смежные руководства и полезные технические статьи