企业官网建设流程全解析

RAG-Anything 部署指南：多模态 RAG 系统 3 步跑通

【免费下载链接】RAG-Anything"RAG-Anything: All-in-One RAG Framework"项目地址: https://gitcode.com/GitHub_Trending/ra/RAG-Anything

本文带你完成 RAG-Anything 的部署上手：克隆代码、装好依赖、填一份 .env，就能把含图片、表格、公式的 PDF 文档变成可查询的知识库。读完你应能独立完成安装、首次运行、容器化部署和常用调优。

先看看它是什么

RAG-Anything 在 LightRAG 基础上做了一层多模态封装：文档里的文本、图片、表格、公式各走专属处理流水线，再统一挂到知识图谱上做检索。它适合两类人：

• 手里有大量 PDF/PPT/表格类文档，普通 RAG 只吃文本、丢图的场景
• 想把解析、入库、问答做成一条流水线，而不是自己拼装五个组件

如果你只需要纯文本检索，它的多模态部分反而是多余的，可以先看看别的轻量方案。

从克隆到跑通：安装到首次运行的完整步骤

整条链路不长，按顺序做一遍即可。

拉代码，装依赖

git clone https://gitcode.com/GitHub_Trending/ra/RAG-Anything cd RAG-Anything pip install -e '.[all]'

.[all]会带上图像格式转换（Pillow）和文本转 PDF（ReportLab）的依赖。注意 Office 文档解析还需要系统级安装 LibreOffice，pip 装不出来。

填配置

cp env.example .env

打开.env，重点改这几组：LLM_BINDING/LLM_MODEL/LLM_BINDING_HOST/LLM_BINDING_API_KEY指定你的 LLM 服务（OpenAI 兼容接口、Ollama、vLLM 都行），EMBEDDING_BINDING一组指定嵌入模型（默认 Ollama 的 bge-m3）。其余数据库配置（Postgres、Neo4j、Qdrant 等）默认用本地文件存储时可先不动。

首次运行

放一份测试 PDF 进来，跑仓库自带的端到端示例：

python examples/raganything_example.py 你的文档.pdf

看到解析进度走完，接着打出两段查询——一次纯文本aquery、一次带表格内容的多模态查询，末尾都有Answer: ...的作答，就算跑通了。日志同时会写到raganything_example.log，排查问题先看它。

不想配 LLM 密钥，也可以先用python examples/office_document_test.py --check-libreoffice --file dummy单测解析链路是否通畅。

什么时候才需要容器化或云平台部署

本地脚本能跑通之后，再考虑这两件事：

• 容器化：当你要把 RAG-Anything 作为服务长期运行、而不是本地跑一次脚本时。镜像本质上就是 Python 3.10+ 运行环境加上raganything[all]和 LibreOffice 两个大件，构建思路照 env.example 的依赖清单来即可。
• 云平台：当解析量上来了（MinerU 解析吃 CPU 和内存，视觉模型推理吃 GPU），或需要对外提供 API 时，选带 GPU 的实例部署，并把EMBEDDING_BINDING_HOST指向同一台机器上的本地模型服务。

个人调试阶段两者都不需要。

关键配置与调优

真正影响体验的就这几项，都在.env里：

• PARSER：选mineru（默认）、docling或paddleocr。扫描版 PDF 多时换paddleocr，需额外pip install raganything[paddleocr]。
• CHUNK_SIZE：切块大小，建议 500~1500，默认 1200。块太大检索不精，太小丢上下文。
• MAX_CONCURRENT_FILES/MAX_PARALLEL_INSERT：批量处理时的文件并发，机器内存小于 16GB 时保持 1~2，别贪。

两个性能调优点：开了ENABLE_LLM_CACHE=true后重复的实体抽取不再重复调 LLM，省钱也提速；批量入库吞吐看 docs/batch_processing.md。调优时顺手盯三件事：日志里的WARNING频率、单文档解析耗时、LLM 调用的超时率，这三项恶化基本都指向并发开大了。

踩坑速查

解析器内部逻辑集中在 raganything/parser.py，行为不符合预期时优先看它。

下一步：想给文档挂上页级上下文，读 docs/context_aware_processing.md；想接 vLLM 做高吞吐推理，参考 docs/vllm_integration.md；批量场景先看 docs/batch_processing.md。

【免费下载链接】RAG-Anything"RAG-Anything: All-in-One RAG Framework"项目地址: https://gitcode.com/GitHub_Trending/ra/RAG-Anything