zxwei/knowflow Docker镜像技术文档

1. 镜像概述和主要用途

1.1 镜像概述

KnowFlow是基于RAGFlow的企业级开源知识库解决方案，专注于为企业提供知识管理落地的最后一公里服务。本Docker镜像封装了KnowFlow的完整服务组件，包括后端服务、前端界面及相关依赖，支持快速部署企业级智能知识库系统，且持续兼容RAGFlow***版本（当前适配RAGFlow v0.20.1）。

1.2 主要用途

• 构建企业内部智能知识库，实现文档集中管理与高效检索
• 支持多格式文档解析（20+格式）、OCR文字识别及图文混排输出
• 提供精准语义检索与上下文感知问答，助力企业知识高效利用
• 集成团队协作与权限管理，满足企业级数据安全与访问控制需求

2. 核心功能和特性

2.1 核心功能

• 智能文档解析：集成MinerU2.x OCR引擎，支持图文混排输出、多种分块策略及20+文档格式解析
• 增强检索问答：提供精准语义检索、上下文感知问答、多模态内容理解及实时知识更新
• 企业级管理：支持用户权限管理（RBAC）、团队协作空间、纯离线部署及企业微信/LDAP/SSO集成
• 开放集成：采用插件化架构，提供API开放接口，支持自定义扩展与第三方系统集成

2.2 关键特性

• 插件化架构：无缝兼容RAGFlow任意版本，增强功能可热插拔，升级无风险
• 微服务设计：作为独立服务运行，不修改RAGFlow核心代码，降低集成复杂度
• 简化部署：支持Docker Compose一键部署，提供完整镜像包，减少环境配置成本
• 性能优化：支持GPU加速（需NVIDIA GPU及相关工具），提升文档解析与检索效率

3. 使用场景和适用范围

3.1 典型使用场景

• 企业内部知识库：集中管理产品手册、流程规范、技术文档等，支持员工快速查询
• 客户服务支持：整合客户资料、常见问题等，辅助客服人员高效响应客户咨询
• 研发团队协作：管理技术文档、代码注释、项目经验，促进团队知识共享
• 政务/教育领域：构建政策***库、教学资源库，实现精准检索与智能问答

3.2 适用范围

• 用户群体：企业IT部门、知识管理专员、研发团队、客服团队等
• 环境要求：支持Docker 20.10+、Docker Compose 2.0+的服务器，推荐8GB+内存，GPU可选（提升性能）
• 部署规模：中小型企业全量部署、大型企业部门级部署，支持离线环境

4. 使用方法和配置说明

4.1 基础使用（Docker Compose）

4.1.1 部署步骤

1. 克隆项目代码：

bash
git clone [***]
cd KnowFlow

2. 配置MinerU服务地址（可选，用于增强文档解析）： 编辑/knowflow/server/services/config/settings.yaml：

yaml
fastapi:
  url: "[***]"  # MinerU API服务地址
  timeout: 30000
vlm:
  sglang:
    server_url: "[***]"  # VLM视觉模型服务地址（如需多模态分析）

3. 启动容器：

bash
cd docker
docker compose up -d

4. 访问系统： 通过[***]访问KnowFlow首页

4.2 镜像构建（开发者）

4.2.1 构建全镜像

bash
# 安装依赖管理工具uv
sudo snap install astral-uv --classic
# 安装系统依赖
sudo apt-get update && sudo apt-get install -y python3.12-dev build-essential pkg-config libicu-dev
# 下载依赖
av run download_deps.py
# 构建基础依赖镜像
docker build -f Dockerfile.deps -t infiniflow/ragflow_deps .
# 构建KnowFlow镜像
docker build --build-arg LIGHTEN=1 -f Dockerfile -t zxwei/knowflow:latest .

4.2.2 构建前后端分离镜像

bash
# 后端镜像
docker buildx build --platform linux/amd64 --target backend -t zxwei/knowflow-server:latest --push .
# 前端镜像
docker buildx build --platform linux/amd64 --target frontend -t zxwei/knowflow-web:latest --push .

4.3 性能优化建议

1. 启用GPU加速：配置NVIDIA GPU及nvidia-container-toolkit，提升文档解析与模型推理速度
2. 资源配置：为容器分配至少8GB内存，推荐使用SSD存储提升I/O性能
3. 网络优化：如需外网访问，配置适当防火墙规则，保障服务安全

5. 参考链接

• 项目GitHub地址：[***]
• 网站：[]
• B站演示视频：[***]