README Tr - Ragflow — ContextQMD

</a>
<a href="https://cloud.ragflow.io" target="_blank">
    
</a>
<a href="https://hub.docker.com/r/infiniflow/ragflow" target="_blank">
    
</a>
<a href="https://github.com/infiniflow/ragflow/releases/latest">
    
</a>
<a href="https://github.com/infiniflow/ragflow/blob/main/LICENSE">
    
</a>
<a href="https://deepwiki.com/infiniflow/ragflow">
    
</a>

</p> <h4 align="center"> <a href="https://ragflow.io/docs/dev/">Dokümantasyon</a> | <a href="https://github.com/infiniflow/ragflow/issues/12241">Yol Haritası</a> | <a href="https://twitter.com/infiniflowai">Twitter</a> | <a href="https://discord.gg/NjYzJD3GM3">Discord</a> | <a href="https://cloud.ragflow.io">Demo</a> </h4> <div align="center" style="margin-top:20px;margin-bottom:20px;"> </div> <div align="center"> <a href="https://trendshift.io/repositories/9064" target="_blank"></a> </div> <details open> <summary><b>📕 İçindekiler</b></summary>

💡 RAGFlow Nedir?
🎮 Demo
📌 Son Güncellemeler
🌟 Temel Özellikler
🔎 Sistem Mimarisi
🎬 Başlarken
🔧 Yapılandırmalar
🔧 Docker İmajı Oluşturma
🔨 Geliştirme İçin Kaynaktan Hizmet Başlatma
📚 Dokümantasyon
📜 Yol Haritası
🏄 Topluluk
🙌 Katkıda Bulunma

</details>

💡 RAGFlow Nedir?

RAGFlow, derin doküman anlayışına dayalı, açık kaynaklı ve öncü bir Artırılmış Üretim ile Bilgi Erişimi (RAG) motorudur. En son RAG teknolojisini Ajan yetenekleriyle birleştirerek LLM'ler için üstün bir bağlam katmanı oluşturur. Her ölçekteki kuruluşa uyarlanabilir, kolaylaştırılmış bir RAG iş akışı sunar. Yakınsanmış bir bağlam motoru ve hazır ajan şablonlarıyla donatılmış RAGFlow, geliştiricilerin karmaşık verileri yüksek doğrulukta, üretime hazır yapay zeka sistemlerine olağanüstü verimlilik ve hassasiyetle dönüştürmesini sağlar.

🎮 Demo

Demomuzu https://cloud.ragflow.io adresinden deneyebilirsiniz.

🔥 Son Güncellemeler

2026-03-24 RAGFlow Skill on OpenClaw — OpenClaw üzerinden RAGFlow veri setlerine erişmek için resmi bir skill sağlar.
2025-12-26 Yapay zeka ajanı için 'Bellek' desteği eklendi.
2025-11-19 Gemini 3 Pro desteği eklendi.
2025-11-12 Confluence, S3, Notion, Discord, Google Drive'dan veri senkronizasyonu desteği eklendi.
2025-10-23 Doküman ayrıştırma yöntemi olarak MinerU ve Docling desteği eklendi.
2025-10-15 Düzenlenebilir veri alım hattı desteği eklendi.
2025-08-08 OpenAI'ın en yeni GPT-5 serisi modelleri için destek eklendi.
2025-08-01 Ajanlı iş akışı ve MCP desteği eklendi.
2025-05-23 Ajana Python/JavaScript kod çalıştırıcı bileşeni eklendi.
2025-05-05 Diller arası sorgu desteği eklendi.
2025-03-19 PDF veya DOCX dosyalarındaki görselleri yorumlamak için çok modlu model desteği eklendi.

🎉 Bizi Takip Edin

⭐️ Heyecan verici yeni özellikler ve iyileştirmelerden haberdar olmak için depomuzı yıldızlayın! Yeni sürümler için anında bildirim alın! 🌟

🌟 Temel Özellikler

🍭 "Kaliteli girdi, kaliteli çıktı"

Karmaşık formatlara sahip yapılandırılmamış verilerden derin doküman anlayışı tabanlı bilgi çıkarımı.
Kelimenin tam anlamıyla sınırsız token içinde "samanlıkta iğne bulma" yeteneği.

🍱 Şablon tabanlı parçalama

Akıllı ve açıklanabilir.
Aralarından seçim yapabileceğiniz çok sayıda şablon seçeneği.

🌱 Azaltılmış halüsinasyonlarla temellendirilmiş alıntılar

İnsan müdahalesine olanak tanıyan metin parçalama görselleştirmesi.
Temellendirilmiş yanıtları desteklemek için anahtar referansların hızlı görüntülenmesi ve izlenebilir alıntılar.

🍔 Heterojen veri kaynaklarıyla uyumluluk

Word, slaytlar, Excel, txt, görseller, taranmış kopyalar, yapılandırılmış veriler, web sayfaları ve daha fazlasını destekler.

🛀 Otomatik ve zahmetsiz RAG iş akışı

Hem bireysel hem de büyük işletmeler için özelleştirilmiş kolaylaştırılmış RAG düzenlemesi.
Yapılandırılabilir LLM'ler ve gömme (embedding) modelleri.
Birleştirilmiş yeniden sıralama ile çoklu geri çağırma.
İş süreçlerine sorunsuz entegrasyon için sezgisel API'ler.

🔎 Sistem Mimarisi

🎬 Başlarken

📝 Ön Koşullar

CPU >= 4 çekirdek
RAM >= 16 GB
Disk >= 50 GB
Docker >= 24.0.0 & Docker Compose >= v2.26.1
gVisor: Yalnızca RAGFlow'un kod çalıştırıcı (sandbox) özelliğini kullanmayı planlıyorsanız gereklidir.

[!TIP] Yerel makinenize (Windows, Mac veya Linux) Docker yüklemediyseniz, Docker Engine Kurulumu sayfasına bakın.

🚀 Sunucuyu Başlatma

vm.max_map_count değerinin >= 262144 olduğundan emin olun:
vm.max_map_count değerini kontrol etmek için:
bash
```
$ sysctl vm.max_map_count
```
Değer 262144'ten düşükse, en az 262144 olarak ayarlayın.
bash
```
# Bu örnekte 262144 olarak ayarlıyoruz:
$ sudo sysctl -w vm.max_map_count=262144
```
Bu değişiklik sistem yeniden başlatıldığında sıfırlanacaktır. Değişikliğin kalıcı olmasını sağlamak için /etc/sysctl.conf dosyasındaki vm.max_map_count değerini buna göre ekleyin veya güncelleyin:
bash
```
vm.max_map_count=262144
```

Depoyu klonlayın:

bash

$ git clone https://github.com/infiniflow/ragflow.git

Önceden oluşturulmuş Docker imajlarını kullanarak sunucuyu başlatın:

[!CAUTION] Tüm Docker imajları x86 platformları için oluşturulmuştur. Şu anda ARM64 için Docker imajı sunmuyoruz. ARM64 platformundaysanız, sisteminizle uyumlu bir Docker imajı oluşturmak için bu kılavuzu takip edin.

Aşağıdaki komut RAGFlow Docker imajının v0.25.1 sürümünü indirir. Farklı RAGFlow sürümleri için aşağıdaki tabloya bakın. v0.25.1 dışında bir sürüm indirmek için, docker compose ile sunucuyu başlatmadan önce docker/.env dosyasındaki RAGFLOW_IMAGE değişkenini güncelleyin.

bash

   $ cd ragflow/docker

   # git checkout v0.25.1
   # İsteğe bağlı: Kararlı bir etiket kullanın (sürümler: https://github.com/infiniflow/ragflow/releases)
   # Bu adım, koddaki **entrypoint.sh** dosyasının Docker imaj sürümüyle eşleşmesini sağlar.

   # DeepDoc görevleri için CPU kullanımı:
   $ docker compose -f docker-compose.yml up -d

   # DeepDoc görevlerini hızlandırmak için GPU kullanımı:
   # sed -i '1i DEVICE=gpu' .env
   # docker compose -f docker-compose.yml up -d

Not: v0.22.0 öncesinde hem gömme modelleri içeren imajlar hem de gömme modelleri içermeyen ince (slim) imajlar sunuyorduk. Detaylar aşağıdadır:

RAGFlow imaj etiketi	İmaj boyutu (GB)	Gömme modelleri var mı?	Kararlı mı?
v0.21.1	≈9	✔️	Kararlı sürüm
v0.21.1-slim	≈2	❌	Kararlı sürüm

v0.22.0'dan itibaren yalnızca ince (slim) sürümü sunuyoruz ve imaj etiketine artık -slim son eki eklemiyoruz.

Sunucu çalışır duruma geldikten sonra sunucu durumunu kontrol edin:
bash
```
$ docker logs -f docker-ragflow-cpu-1
```
Aşağıdaki çıktı, sistemin başarıyla başlatıldığını onaylar:
bash
```
      ____   ___    ______ ______ __
     / __ \ /   |  / ____// ____// /____  _      __
    / /_/ // /| | / / __ / /_   / // __ \| | /| / /
   / _, _// ___ |/ /_/ // __/  / // /_/ /| |/ |/ /
  /_/ |_|/_/  |_|\____//_/    /_/ \____/ |__/|__/

 * Running on all addresses (0.0.0.0)
```
Bu onay adımını atlayıp doğrudan RAGFlow'a giriş yaparsanız, o anda RAGFlow tam olarak başlatılmamış olabileceğinden tarayıcınız ağ hatası uyarısı verebilir.
Web tarayıcınıza sunucunuzun IP adresini girin ve RAGFlow'a giriş yapın.

Varsayılan ayarlarla, yalnızca http://MAKİNENİZİN_IP_ADRESİ girmeniz yeterlidir (port numarası gerekmez), çünkü varsayılan HTTP sunucu portu 80 varsayılan yapılandırmalar kullanıldığında ihmal edilebilir.
service_conf.yaml.template dosyasında, user_default_llm içinde istediğiniz LLM sağlayıcısını seçin ve API_KEY alanını ilgili API anahtarıyla güncelleyin.

Daha fazla bilgi için llm_api_key_setup sayfasına bakın.

Gösteri başlasın!

🔧 Yapılandırmalar

Sistem yapılandırmaları söz konusu olduğunda, aşağıdaki dosyaları yönetmeniz gerekecektir:

.env: SVR_HTTP_PORT, MYSQL_PASSWORD ve MINIO_PASSWORD gibi temel sistem ayarlarını içerir.
service_conf.yaml.template: Arka uç hizmetlerini yapılandırır. Bu dosyadaki ortam değişkenleri, Docker konteyneri başladığında otomatik olarak doldurulacaktır. Docker konteyneri içinde ayarlanan tüm ortam değişkenleri kullanıma hazır olacak ve hizmet davranışını dağıtım ortamına göre özelleştirmenize olanak tanıyacaktır.
docker-compose.yml: Sistem, başlatılmak için docker-compose.yml dosyasına dayanır.

./docker/README dosyası, service_conf.yaml.template dosyasında ${ENV_VARS} olarak kullanılabilen ortam ayarları ve hizmet yapılandırmalarının ayrıntılı bir açıklamasını sağlar.

Varsayılan HTTP sunucu portunu (80) değiştirmek için docker-compose.yml dosyasında 80:80 ifadesini <SUNUCU_PORTUNUZ>:80 olarak değiştirin.

Yukarıdaki yapılandırma değişikliklerinin etkili olması için tüm konteynerlerin yeniden başlatılması gerekir:

bash

$ docker compose -f docker-compose.yml up -d

Doküman Motorunu Elasticsearch'ten Infinity'ye Geçirme

RAGFlow varsayılan olarak tam metin ve vektörlerin depolanması için Elasticsearch kullanır. Infinity'ye geçmek için şu adımları izleyin:

Çalışan tüm konteynerleri durdurun:

bash

$ docker compose -f docker/docker-compose.yml down -v

[!WARNING] -v seçeneği Docker konteyner birimlerini silecek ve mevcut veriler temizlenecektir.

docker/.env dosyasında DOC_ENGINE değerini infinity olarak ayarlayın.

Konteynerleri başlatın:

bash

$ docker compose -f docker-compose.yml up -d

[!WARNING] Linux/arm64 makinesinde Infinity'ye geçiş henüz resmi olarak desteklenmemektedir.

🔧 Docker İmajı Oluşturma

Bu imaj yaklaşık 2 GB boyutundadır ve harici LLM ile gömme hizmetlerine bağlıdır.

bash

git clone https://github.com/infiniflow/ragflow.git
cd ragflow/
docker build --platform linux/amd64 -f Dockerfile -t infiniflow/ragflow:nightly .

Veya bir proxy arkasındaysanız, proxy parametrelerini iletebilirsiniz:

bash

docker build --platform linux/amd64 \
  --build-arg http_proxy=http://PROXY_ADRESINIZ:PORT \
  --build-arg https_proxy=http://PROXY_ADRESINIZ:PORT \
  -f Dockerfile -t infiniflow/ragflow:nightly .

🔨 Geliştirme İçin Kaynaktan Hizmet Başlatma

uv ve pre-commit yükleyin veya zaten yüklüyse bu adımı atlayın:
bash
```
pipx install uv pre-commit
```

Kaynak kodunu klonlayın ve Python bağımlılıklarını yükleyin:

bash

git clone https://github.com/infiniflow/ragflow.git
cd ragflow/
uv sync --python 3.12 # RAGFlow'un bağımlı Python modüllerini yükler
uv run python3 download_deps.py
pre-commit install

Bağımlı hizmetleri (MinIO, Elasticsearch, Redis ve MySQL) Docker Compose kullanarak başlatın:
bash
```
docker compose -f docker/docker-compose-base.yml up -d
```
docker/.env dosyasında belirtilen tüm ana bilgisayar adlarını 127.0.0.1'e çözümlemek için /etc/hosts dosyasına aşağıdaki satırı ekleyin:
```
127.0.0.1       es01 infinity mysql minio redis sandbox-executor-manager
```
HuggingFace'e erişemiyorsanız, bir ayna site kullanmak için HF_ENDPOINT ortam değişkenini ayarlayın:
bash
```
export HF_ENDPOINT=https://hf-mirror.com
```

İşletim sisteminizde jemalloc yoksa, aşağıdaki şekilde yükleyin:

bash

# Ubuntu
sudo apt-get install libjemalloc-dev
# CentOS
sudo yum install jemalloc
# OpenSUSE
sudo zypper install jemalloc
# macOS
sudo brew install jemalloc

Arka uç hizmetini başlatın:

bash

source .venv/bin/activate
export PYTHONPATH=$(pwd)
bash docker/launch_backend_service.sh

Ön yüz bağımlılıklarını yükleyin:
bash
```
cd web
npm install
```
Ön yüz hizmetini başlatın:
bash
```
npm run dev
```
Aşağıdaki çıktı, sistemin başarıyla başlatıldığını onaylar:
Geliştirme tamamlandıktan sonra RAGFlow ön yüz ve arka uç hizmetini durdurun:
bash
```
pkill -f "ragflow_server.py|task_executor.py"
```

📚 Dokümantasyon

📜 Yol Haritası

RAGFlow Yol Haritası 2026 sayfasına bakın.

🏄 Topluluk

🙌 Katkıda Bulunma

RAGFlow, açık kaynak iş birliği sayesinde gelişmektedir. Bu anlayışla, topluluktan gelen çeşitli katkıları benimsiyoruz. Bir parçası olmak istiyorsanız, önce Katkıda Bulunma Kılavuzumuzu inceleyin.