本教程将带您全面探索 RagFlow 文档处理引擎的核心创新与优化策略。从任务切分、多类型解析器，到 PDF 文档的深度解析流程，再到 LLM 辅助增强 技术，我们逐一剖析，帮助您在实际项目中更好地运用开源 RAG 应用。无论您是 RAG 新手还是进阶开发者，都能从中获得可落地的优化思路。
RagFlow 是当前较为热门的开源 RAG 应用，其最大特点是基于深度文档理解（DeepDoc）构建的文档处理引擎，能够显著提升 RAG 的实际效果。前段时间因工作需要，我通读了 RagFlow 的源码（基于 0.17.0 版本），发现它在文档解析、文档检索等方面确实有不少独到之处。本文将分享我的一些理解，希望能为大家带来新的 RAG 优化思路。
RAG 中最关键的一环就是文档解析，所谓 "Garbage in Garbage out"——如果文档解析效果不佳，该收集的信息未能成功提取，那么后续的检索过程再怎么优化也无济于事。因此我们先来看看 RagFlow 是如何处理文档解析的。
任务生成与管理
用户在页面上提交文档解析请求后，RagFlow 会将其封装为一个异步任务，交给后台处理。
- 任务切分
系统会根据文档类型和配置规则对任务进行切分。例如：- PDF 文件按页码范围切分（如 1-50 页、51-100 页等）。
- Excel 文件按行切分（每 3000 行为一个子任务）。
- 切分后的子任务将被放入异步任务队列，由 Redis 负责管理和分发。
- 任务去重优化
通过提取任务信息的哈希值，对任务队列进行去重，避免重复处理。