Agent Skills
返回列表
RAGFlow 工作台

RAGFlow 工作台

IT 运维与安全 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，将 @user_cbf9f659/ragflow-workbench 安装到你的 AI 助手。

技能介绍

要解决的具体问题

在 Windows 上搭 RAGFlow 时，常见问题不是单条命令，而是流程断点：Docker 是否可用、管理员是否已引导、API Key 是否生成、Embedding/Chat/Rerank 模型是否配置、知识库文档是否真正完成解析、检索结果是否来自正确数据集。ragflow-workbench 把这些操作整理成可执行、可回传 JSON 的工作流，减少手工复制命令造成的状态不一致。

技能如何工作

它优先调用 scripts/ 下的脚本，并使用 --json 输出结构化字段：

  • 环境就绪检查：通过 .env 判断 RAGFLOW_API_URL 与 RAGFLOW_API_KEY 是否已存在，避免重复执行安装或管理员引导。
  • 模型与知识库管理：支持创建/查看数据集、上传文件、触发解析、查询解析状态，以及管理默认 Embedding、Chat、Rerank 模型。
  • 检索与对话：可按明确 dataset_id / document_id 执行检索、更新文档、创建 chat，并遵循 references/output-format.md 返回结果。

关键步骤强调状态可追踪：parse.py 只发起任务，进度需用 parse_status.py 获取；失败时以 progress_msg 为主错误信息，而不是编造进度或原因。

适用边界

该技能面向本地 Windows + Docker 的 RAGFlow 实例，适合从初始化到知识库检索的运维式操作。删除类动作必须先列候选对象并获得用户确认；上传不会自动触发解析。若 Docker 容器不可用，依赖 docker exec 的管理员引导和模型配置会受限。

使用场景

  • 在 Windows 本机首次部署 RAGFlow 时，检查 Docker 环境、创建管理员并生成 API Key。
  • 初始化知识库时，批量上传制度文档并触发解析，用 parse_status.py 查询解析进度与失败信息。
  • 接入问答前，配置默认 Embedding、Chat 和 Rerank 模型，再创建 chat 供后续检索使用。
  • 排查检索不准时，列出指定 dataset 的文档，更新或清理候选文档后再执行 search.py。

适合人员

  • 负责本地 RAG 试点的运维工程师，需要把 Windows Docker 环境和 RAGFlow API 凭证一次性配好。
  • 做知识库落地的算法工程师，需要管理文档解析、默认模型配置和检索结果。
  • 接入内部问答的应用工程师，需要稳定调用 RAGFlow 的 dataset 文档与 chat 创建能力。
  • 评估 RAGFlow 的 IT 架构师，需要确认安装状态、模型配置和知识库 CRUD 流程是否可自动化。