RAGFlow 系列教程 第三课：后端服务入口与请求生命周期

最新推荐文章于 2026-08-23 17:33:02 发布
原创 最新推荐文章于 2026-08-23 17:33:02 发布 · 161 阅读 · 0 GEO检测

系列: RAGFlow v0.25.0 源码深度解析
作者: 耿雨飞
适用版本: RAGFlow v0.25.0

导读

上一课我们完成了开发环境的搭建，能够在本地成功启动 RAGFlow 的后端和前端服务。但启动只是开始 – 当你在浏览器中创建一个知识库、上传一个文档时，这些操作是如何被后端接收和处理的？请求从进入服务器到返回响应，中间经历了哪些环节？

本课将深入 RAGFlow 后端的两个核心文件 – api/ragflow_server.py 和 api/apps/__init__.py，完整拆解服务器的启动流程和请求的生命周期。我们会看到 RAGFlow 如何选择 Quart 作为 Web 框架、如何动态注册 27 个 API 蓝图、如何通过 JWT + API Token 双路径实现身份认证，以及请求从进入到离开的每一个中间环节。理解这些机制，是后续深入业务模块的必要基础。

学习目标

完成本课学习后，你将能够:

  1. 理解框架选型 – 为什么 RAGFlow 选择 Quart (异步 Flask) 而非 Django、FastAPI 等其他框架
  2. 掌握服务启动全流程 – 从 ragflow_server.py 的第一行代码到 HT
标签
#ragFlow #人工智能 #LLM应用平台
了解本专栏 订阅专栏 解锁全文 超级会员免费看
【应用实战】利用Ollama + RAGFlow部署千问大模型：构建个人知识库AI智能体
梅花寺
04-08 1834
将开源的大语言预训练模型部署到用户设备上进行推理应用，特别是结合用户专业领域知识库构建AI应用，让AI在回答时更具有专业性，目前已经有很多成熟的应用方案。其中，支持大模型本地化部署的平台及工具很多，比较出名的有ollama、vLLM、LangChain、Ray Serve等，大大简化了模型的部署工作，并提供模型全生命周期管理。
RAGFlow可视化后台管理工具ragflow-admin部署与实战指南
weixin_30315723的博客
04-24 327
检索增强生成（RAG）技术通过结合信息检索与大型语言模型，有效解决了大模型知识更新滞后与幻觉问题。其核心原理是将外部知识库向量化，检索相关片段作为上下文输入模型，从而生成精准可靠的回答。这项技术显著提升了问答系统的可信度与实用性，在智能客服、企业知识库、教育辅助等领域广泛应用。本文聚焦于RAGFlow生态中的可视化后台管理工具ragflow-admin，它基于Vue 3和FastAPI构建，通过封装RAGFlow的API，为知识库管理、模型配置、对话测试等核心功能提供了直观的Web操作界面，极大降低了RAG
RAG 深度实践系列（五）：RAGFlow 的部署使用与架构分析
热门推荐
白洞，白色的明天在等着我们
01-29 1万+
从 RAGFlow 的微服务架构深度解析到 Docker 容器化的快速部署，再到异步任务流转与 Agent 工作流的编排，RAGFlow 为我们提供了一个构建企业级 AI 应用的强大底座。然而，真正的工程挑战往往隐藏在索引优化、多语言适配以及系统监控等细节之中。为了帮助您在 RAG 领域实现从“平台使用者”到“架构设计者”的跨越，AI大学堂精心打造了RAG工程师认证。这份证书将是你系统化掌握 AI 落地核心能力的绝佳机会，认证现已开启，限时免费，点击下方链接，开启您的 RAG 进阶学习之旅：🔗。
【RAGFlow代码详解-4】数据存储层
df007df的博客
08-24 1563
RAGFlow 支持用于矢量和全文搜索的多个文档存储后端：Elasticsearch、Infinity 和 OpenSearch。服务处理用户身份验证、知识库管理和文档处理工作流。Redis 有多种用途：与优先级队列的任务协调、Flask 会话存储、用于成本优化的 LLM 响应缓存以及用于性能的文件缓存。该系统使用连接池和自动模式迁移，并将搜索条件转换为 Infinity 的查询构建器 API，同时保持每个知识库的表组织。每个任务都通过块构建、嵌入生成和文档存储插入进行，并具有全面的错误处理和重试机制。
深入解析 RAGFlow：文件上传到知识库的完整流程
The cure for boredom is curiosity. This is the log of its adventures.
07-04 2899
RAGFlow 的知识库文件上传流程是一个精心设计的异步系统。它将文件接收、存储、任务调度和实际处理解耦，通过 Redis 消息队列和后台定时任务实现了高效、可扩展的文档处理能力。这种架构不仅保证了用户体验的流畅性（上传后立即响应），也确保了后台处理的健壮性和可恢复性。希望这篇博客能帮助您更清晰地理解 RAGFlow 的内部工作原理！
讲解一下 RAGFlow 这个项目的源码
u011091936的博客
09-09 1279
它内置了一个强大的文档解析引擎 DeepDoc，专门处理复杂的非结构化文档（如包含图表、公式、跨页表格的 PDF），力求最大程度地保留原始信息，这是高质量 RAG 的基础。：从 /api/apps 目录开始，选择一个你感兴趣的功能（比如知识库创建），跟踪它的 API 请求是如何被处理的，以及它如何与 Controller 和数据库交互。它负责解析 RAG 工作流（在 RAGFlow 中称为 Graph），将其分解成一个个具体的任务（Task），然后将这些任务放入任务队列（通常是 Redis）。
3分钟掌握RAGFlow文件全生命周期：从上传到删除的零代码管理指南
gitblog_00774的博客
12-08 873
你还在为文档管理繁琐而困扰？团队协作中找不到最新版本的资料？删除文件后发现关联数据异常？本文将带你3分钟掌握RAGFlow的文件全生命周期管理，从上传、预览到删除的每一步都有清晰指引，让非技术人员也能轻松管理知识库文件。读完本文你将学会：创建文件夹组织文件、批量上传多种格式文档、在线预览PDF/Excel/图片、安全删除文件及关联数据。 ## 文件管理核心价值与架构 RAGFlow的文件管理系
5分钟掌握RAGFlow插件引擎：从动态加载到生命周期管理全解析
gitblog_00700的博客
12-08 717
RAGFlow作为基于深度文档理解的开源RAG引擎，其插件系统为开发者提供了灵活扩展能力。本文将通过实际代码解析，带你掌握插件管理器的实现原理与使用方法，解决功能扩展时的耦合性问题。 ## 插件系统核心架构 RAGFlow插件系统采用**抽象基类+元数据驱动**的设计模式，主要包含三大组件： - **插件管理器**：[plugin/plugin_manager.py](https://git
（论文速读）EDiT：用线性压缩注意力加速扩散 Transformer
最新发布
LJ1147517021的博客
08-23 219
本文提出了一种高效扩散Transformer架构EDiT，通过创新的线性压缩注意力机制解决传统DiT在生成高分辨率图像时的计算瓶颈。EDiT采用卷积增强的线性注意力(ConvFusion+SpatialCompressor)处理图像自注意力，同时为多模态场景设计混合注意力方案，仅对图像-图像交互进行线性化处理，保留文本相关交互的标准注意力。实验表明，EDiT在PixArt-Σ和Stable Diffusion3.5-Medium上实现高达2.2倍的加速，同时保持接近原始模型的生成质量。该方法的核心创新在于针
WAIC论坛现场|网易智企分享企业AI“上岗之路“
weixin_43099039的博客
08-19 203
在世界人工智能大会（WAIC）2026上，网易智企举办了"用可信AI构建企业新智生产力"专题论坛。会上，网易智企副总经理段毓铮带来了题为《从能聊、到能干、到越干越好：企业AI的上岗之路》的演讲，抛出了一个核心观点：不把AI当工具，而是当作"AI员工"来看待。
83.85% vs 17.91%：FormStruct-Bench 揭开表单解析的错觉
liferecords的博客
08-19 661
文章摘要 FormStruct-Bench论文提出了一个针对表单类文档结构识别的新型分层评测基准，解决了传统方法在结构化评估上的不足。研究团队通过"导演-美术-质检"的合成流程构建了7,000个带精确标注的表单实例，并设计了分层评估指标，包括内容读取(Value-nED)、结构重建(Schema-nED)和路径正确率(TSR-path)等。实验结果显示，当前最佳系统在内容读取上达到83.85%，但结构路径正确率仅17.91%，区域检测和关系识别指标更低。研究表明，视觉退化主要影响结构绑定而非内容识别，且合成
如何借助 AI 实现自动化测试：让 Agent 帮你写测试、跑测试、修测试
篮球界最会写bug的人；程序猿中打球最菜的人。
08-20 618
上下文工程优先：维护（页面结构、账号、业务规则），AI 输出质量立竿见影；AI 生成 + 人审 + 入库：测试代码是资产，必须 code review，禁止「AI 跑完就当真」；定位器纪律：全程getByRolegetByLabel，从源头减少失效；分层使用：单元/接口测试用传统框架，UI 探索性测试用 Agent，回归用固化脚本；成本控制：批量生成用便宜模型（DeepSeek / 本地 Ollama），关键修复用强模型；安全红线：测试 Agent 只能连测试环境；
Alexa Fluor568标记豌豆凝集素，适配多色荧光成像体系的橙红通道标记需求
2601_96201972的博客
08-18 361
AF 568 PSA是将Alexa Fluor568橙红荧光基团与豌豆凝集素（Pisum sativum agglutinin，PSA）定向偶联制备的糖链靶向特异性荧光探针，完整保留豌豆凝集素对α-甘露糖、α-葡萄糖的高亲和力识别特性，依托Alexa Fluor568染料优异的光学性能，在578nm处呈现明亮的橙红特征发射荧光，荧光亮度高、抗光漂白性能优异，是多色荧光标记体系中橙红通道靶向标记α-甘露糖/α-葡萄糖糖链的经典科研工具。（上述信息均由陕西新研博美生物科技小编木木所整理）性能参数与核心优势‌。
工业级温控机组赋能数据中心与ICT基础设施低碳化运营
Jay150124的博客
08-18 337
阿尔西在全球布局的三大制造基地为工业级温控机组的产能协同提供了坚实保障，各基地在工业冷水机、医疗制冷、3D打印技术、组装、钣金、焊接等环节形成专业化分工与技术互补。阿尔西集团凭借近三十年的技术积累，将工业级温控机组的应用边界从传统制造业拓展至超大规模数据中心、电信基础设施及边缘计算场景，为全球ICT行业提供从芯片级到系统级的全方位温控解决方案。包括针对边缘计算场景的水平式整装空调型工业级温控机组，以及适用于中大型数据中心的远程温控型工业级温控机组，制冷能力覆盖多种规格，在保证可靠性的同时实现高效运行。
AI网关和API网关区别在哪？MAI Gateway统一治理方案深度解析
youdiyunan的博客
08-19 298
API网关转发请求，不关心内容。AI网关处理消费，不只转发。这是两类网关的根本区别。调用方不需要知道服务在哪，网关负责路由。请求体内容在网关层透传，网关不碰。企业要知道AI调用的内容安不安全、花了多少钱、归谁的部门、模型说了什么。请求体内容在网关层被检查、脱敏、计费、记录。差异的根源在于：大模型调用是按次消费，每次调用花钱；传统API调用是基础设施服务，部署了就能用。
AI编程实战：让 AI 写测试，一次到位
用沸腾的热血，支付我们的人生吧！
08-18 281
本文介绍如何利用AI生成高质量的Python单元测试（以pytest为例）。关键步骤包括：1）使用结构化Prompt模板指定测试要求；2）通过三类输入（正常、边界、异常）确保覆盖全面；3）采用"改坏代码"法验证测试有效性。文章强调测试需满足：断言具体、行为导向、能捕获错误。文末提供实践作业，并预告下期将探讨AI生成文档的技术。全文150字，完整呈现AI测试生成的核心方法论。
【AI黑话日日新】Day 010｜System Prompt（系统提示词）
专注：太空算力、AI infra、异构调度、大模型成本工程
08-17 360
系统提示词不是给模型加能力的咒语，而是开发者写下的“行为宪法”——它定身份、划红线、约格式，但终究要配护栏才站得住。
织信开发日志 17：织信 Skill 的目的，是把平台能力交给 AI Agent
iori97king的专栏
08-23 645
织信 Skill 的核心价值，不是让 AI 说得更像产品经理，也不是让 AI 写出更漂亮的需求文档。 它的价值是把织信的平台能力变成 AI Agent 可调用的工具集。
AI Agent 技术架构深度解析与选型指南
likeylau的博客
08-19 321
AI Agent代表了企业AI应用从"问答"到"任务执行"的关键跃迁，也为管理软件行业带来了新的产品可能性。用友YonClaw、金蝶灵基等企业级AI Agent产品的推出，标志着国产管理软件在AI Agent方向的正式布局。对于企业而言，理解AI Agent的技术架构与能力边界，是做出正确选型决策的基础。本文面向技术架构人员与IT管理者，供技术评估参考。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

耿雨飞

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值