RAGFlow समझाया गया: प्रोडक्शन-ग्रेड RAG अनुप्रयोग बनाएँ

आपने कितनी बार एक RAG डेमो बनाया है जो कुछ साफ-सुथरे PDF पर बेहतरीन चलता है, लेकिन असली एंटरप्राइज़ दस्तावेज़ों से कुछ भी जवाब नहीं दे पाता?

हकीकत में होता यह है कि तालिकाएँ समतल हो जाती हैं, स्कैन किए गए पृष्ठ गायब हो जाते हैं, स्लाइड डेक अपनी हेडिंग्स खो देता है, और चंकिंग लॉजिक सेक्शन हेडर को उसके मूल भाग से अलग कर देता है। एक प्रोडक्शन RAG सिस्टम सिर्फ एक वेक्टर डेटाबेस वाला LLM नहीं होता। इसमें दस्तावेज़ पार्सिंग, चंकिंग रणनीति, हाइब्रिड रिट्रीवल, री-रैंकिंग, संदर्भ-स्रोत ट्रैकिंग, एजेंट ऑर्केस्ट्रेशन, और आधा दर्जन अन्य हिस्से चाहिए जिन्हें आपको स्वयं कॉन्फ़िगर करना पड़ता है।

RAGFlow एक ओपन-सोर्स प्लेटफ़ॉर्म है जो इन सभी हिस्सों को एक स्टैक में जोड़ता है। यह गहरी दस्तावेज़ पार्सिंग, टेम्पलेट-आधारित चंकिंग, हाइब्रिड रिट्रीवल, एजेंट वर्कफ़्लो, और MCP इंटीग्रेशन को एक ही UI और API के पीछे संभालता है, यानी आप अपना समय सिर्फ नॉलेज बेस पर लगा सकते हैं, बाकी पर नहीं।

इस लेख में, मैं आपको दिखाऊँगा कि RAGFlow अंदर से कैसे काम करता है, इसकी आर्किटेक्चर कैसी दिखती है, यह LangChain और LlamaIndex से कैसे तुलना करता है, और इसे डिप्लॉय कैसे करें।

यदि आपको RAG कैसे काम करता है, इस पर दोबारा नज़र डालने की ज़रूरत है, तो हमारे Retrieval Augmented Generation (RAG) with LangChain कोर्स में नामांकन करें - आप एक दोपहर में बुनियादी बातें समझ जाएँगे।

RAGFlow क्या है?

RAGFlow एक ओपन-सोर्स RAG इंजन है जिसे InfiniFlow ने बनाया और अप्रैल 2024 में Apache 2.0 लाइसेंस के तहत जारी किया।

इसे प्रोडक्शन AI अनुप्रयोगों के लिए डिज़ाइन किया गया है, जहाँ रिट्रीवल की गुणवत्ता ऐप की सफलता तय करती है। प्रोजेक्ट का फोकस गहरी दस्तावेज़ समझ पर है, यानी यह पार्सिंग और चंकिंग को आगे की हर चीज़ की नींव मानता है। अगर आपके PDF, स्प्रेडशीट, और स्लाइड डेक अस्त-व्यस्त हैं, तो कोई भी री-रैंकर या बड़ा LLM मदद नहीं करेगा - पहले दस्तावेज़ गुणवत्ता पर काम करना होगा।

RAGFlow को ज्यादातर RAG टूल्स से अलग बनाता है कि यह एक फुल स्टैक है। आपको एक ही सिस्टम में दस्तावेज़ पार्सिंग, टेम्पलेट-आधारित चंकिंग, हाइब्रिड रिट्रीवल, री-रैंकिंग, संदर्भ-स्रोत ट्रैकिंग, एजेंट वर्कफ़्लो बिल्डर, और MCP सपोर्ट मिलते हैं। आपको अलग से वेक्टर डेटाबेस चुनने, पार्सर कॉन्फ़िगर करने, री-रैंकर जोड़ने, और ऊपर से UI बनाने की ज़रूरत नहीं - यह सब एक वेब इंटरफ़ेस और API के पीछे मौजूद है।

इसी वजह से RAGFlow फ्रेमवर्क से अधिक एक प्लेटफ़ॉर्म जैसा है।

RAGFlow कैसे काम करता है

RAGFlow मानक RAG पाइपलाइन का अनुसरण करता है, लेकिन हर चरण एक कॉन्फ़िगरेबल कंपोनेंट होता है जिसे आपको कोड लिखने के बजाय सेट करना होता है।

यह रहा अपलोड से लेकर LLM के उत्तर भेजने तक क्या-क्या होता है:

1. दस्तावेज़ इनजेस्ट करें: आप फ़ाइलें अपलोड करते हैं या कोई डेटा स्रोत कनेक्ट करते हैं। RAGFlow PDF, Word फ़ाइलें, Excel शीट्स, PowerPoint डेक, Markdown, HTML, इमेज, और स्कैन कॉपी स्वीकार करता है। v0.25 से आगे, आप Confluence, S3, Notion, Discord, और Google Drive से डेटा सिंक भी कर सकते हैं।
2. कंटेंट पार्स और स्ट्रक्चर करें: DeepDoc इंजन हर फ़ाइल को OCR, टेबल स्ट्रक्चर रिकग्निशन, और लेआउट रिकग्निशन के साथ पढ़ता है। आउटपुट में हेडिंग्स, तालिकाएँ, फ़िगर्स, और रीडिंग ऑर्डर के बारे में मेटाडेटा सहित संरचित कंटेंट मिलता है।
3. एम्बेडिंग्स जनरेट करें: RAGFlow हर चंक को आपके द्वारा चुने गए एम्बेडिंग मॉडल से चलाता है। आप OpenAI, Cohere, Voyage, कोई लोकल मॉडल, या अन्य समर्थित विकल्पों का उपयोग कर सकते हैं।
4. नॉलेज को इंडेक्स करें: चंक्स और वेक्टर्स दस्तावेज़ इंजन में जाते हैं। डिफ़ॉल्ट Elasticsearch है, लेकिन आप Infinity में स्विच कर सकते हैं, जो हाइब्रिड सर्च के लिए InfiniFlow का अपना डेटाबेस है।
5. प्रासंगिक संदर्भ रिट्रीव करें: जब कोई क्वेरी आती है, RAGFlow एक साथ वेक्टर सर्च, BM25 कीवर्ड सर्च, और री-रैंकिंग चलाता है। आपको शीर्ष चंक्स मिलते हैं जिनके साथ स्रोत दस्तावेज़ तक संदर्भ-सूत्र (citations) जुड़े होते हैं।
6. LLM से उत्तर जनरेट करें: प्राप्त चंक्स को प्रॉम्प्ट में जोड़ा जाता है, LLM उत्तर लिखता है, और RAGFlow संदर्भ-स्रोत जोड़ता है ताकि उपयोगकर्ता हर दावे को मूल अंश से ट्रेस कर सके।

क्रम नया नहीं है। मायने यह रखता है कि हर चरण प्लेटफ़ॉर्म का एक कॉन्फ़िगरेबल हिस्सा है, और आप हर स्टेज पर आउटपुट की जाँच कर सकते हैं।

RAGFlow आर्किटेक्चर

RAGFlow की आर्किटेक्चर चार लेयर्स की है, और प्रत्येक RAG पाइपलाइन में एक विशिष्ट समस्या हल करता है। यहाँ एक त्वरित दृश्य अवलोकन है:

RAGFlow आर्किटेक्चर का दृश्य रूप

अब मैं आपको हर लेयर से गुज़ारता हूँ।

दस्तावेज़ इनजेशन

यही प्रवेश बिंदु है। RAGFlow PDF, Office दस्तावेज़ (जैसे Word, Excel, और PowerPoint), Markdown फ़ाइलें, और वेब पेज स्वीकार करता है। स्कैन दस्तावेज़ और इमेज भी काम करते हैं, क्योंकि OCR बिल्ट-इन है।

आप UI से सीधे फ़ाइलें अपलोड कर सकते हैं, क्लाउड स्रोत कनेक्ट कर सकते हैं, या API से दस्तावेज़ पुश कर सकते हैं। इनजेशन लेयर अगले चरण पर ले जाने से पहले सब कुछ एक समान फ़ॉर्मेट में नॉर्मलाइज़ कर देती है।

नॉलेज प्रोसेसिंग

यहीं DeepDoc आता है।

पार्सिंग कच्ची फ़ाइलों को हेडिंग्स, पैराग्राफ़, तालिकाएँ, और फ़िगर्स सहित संरचित कंटेंट में बदल देती है। चंकिंग उस कंटेंट को आपके द्वारा चुने गए टेम्पलेट (General, Paper, Book, Q&A, Manual, Table, या Naive) के आधार पर रिट्रीवल यूनिट्स में बाँटती है। मेटाडेटा एक्सट्रैक्शन हर चंक से संदर्भ जोड़ता है, जैसे पेज नंबर, सेक्शन शीर्षक, और पेज पर स्थिति।

इस लेयर से निकलने वाले चंक्स अपनी संरचना बनाए रखते हैं। यानी तालिका तालिका ही रहती है, हेडिंग अपने सेक्शन के साथ रहती है, और फ़िगर कैप्शन अपने फ़िगर के साथ रहता है। यह पारंपरिक RAG चंकिंग रणनीतियों जैसा बेतरतीब नहीं लगता।

रिट्रीवल इंजन

रिट्रीवल इंजन Elasticsearch या Infinity के ऊपर चलता है, यह इस पर निर्भर है कि आपने कौन सा दस्तावेज़ इंजन कॉन्फ़िगर किया है।

यह तीन प्रकार की सर्च समानांतर में चलाता है:

• वेक्टर सर्च सेमांटिक समानता के लिए
• BM25 कीवर्ड सर्च सटीक शब्द मिलान के लिए
• री-रैंकिंग संयुक्त परिणामों के ऊपर ताकि सबसे प्रासंगिक चंक्स ऊपर आएँ

यह लेयर आपको LLM प्रॉम्प्ट के लिए उच्च-गुणवत्ता वाले कुछ चंक्स देती है।

LLM लेयर

LLM लेयर प्राप्त चंक्स को उस मॉडल को भेजती है जिससे आपने कनेक्ट किया है - OpenAI, DeepSeek, Gemini, Claude, कोई लोकल Ollama मॉडल, या RAGFlow द्वारा समर्थित कुछ और।

उत्तर संदर्भ-स्रोतों के साथ आता है। उत्तर में हर दावा किसी विशेष चंक की ओर इशारा करता है, और हर चंक स्रोत दस्तावेज़ में एक विशिष्ट लोकेशन की ओर। RAGFlow इसे ग्राउंडेड आंसर कहता है - उपयोगकर्ता संदर्भ-स्रोत पर क्लिक करके ठीक वह अंश देख सकता है, जिससे भ्रमित उत्तर पकड़ना आसान हो जाता है।

ये चारों लेयर एक पाइपलाइन की तरह काम करती हैं। इनजेशन नॉलेज प्रोसेसिंग को फ़ीड करता है, नॉलेज प्रोसेसिंग रिट्रीवल इंजन को, और रिट्रीवल इंजन LLM लेयर को।

RAGFlow की प्रमुख विशेषताएँ

यहाँ वे विशेषताएँ हैं जो वास्तविक, उलझे हुए दस्तावेज़ों पर RAG सिस्टम बनाते समय सबसे अधिक मायने रखती हैं।

एडवांस्ड दस्तावेज़ पार्सिंग

RAGFlow का पार्सर DeepDoc कहलाता है, और यही इस प्लेटफ़ॉर्म के अस्तित्व का मुख्य कारण है।

DeepDoc हर दस्तावेज़ पर तीन विज़न मॉडल चलाता है: टेक्स्ट एक्सट्रैक्शन के लिए OCR, तालिका संरचना पहचान (TSR), और दस्तावेज़ लेआउट पहचान (DLR)। इसलिए PDF को अक्षरों की धारा की तरह मानने के बजाय, यह फ़ाइल को वैसा ही पढ़ता है जैसा एक इंसान पढ़ेगा - यह देखता है तालिकाएँ कहाँ हैं, कॉलम कहाँ टूटते हैं, कौन-सा टेक्स्ट हेडिंग है और कौन-सा फ़ुटनोट।

यही संरचना चंक्स में बहती है। तालिकाएँ अपने हेडर्स के साथ रहती हैं, मल्टी-कॉलम लेआउट सही क्रम में पढ़े जाते हैं, और फ़िगर्स अपने कैप्शन बनाए रखते हैं।

यदि आपने यह काम मैन्युअल रूप से करने की कोशिश की है, तो आप जानते हैं कि अलग-अलग दस्तावेज़ प्रकारों और बड़े पैमाने पर इसे अच्छे से करना कितना कठिन है।

हाइब्रिड रिट्रीवल

सेमांटिक सर्च अक्सर वे क्वेरी छोड़ देता है जहाँ सटीक शब्द मायने रखते हैं। अकेला कीवर्ड सर्च उन क्वेरी को छोड़ देता है जहाँ अर्थ मायने रखता है पर शब्दावली अलग है।

RAGFlow दोनों को साथ-साथ चलाता है:

• वेक्टर सर्च सेमांटिक मैच पकड़ता है - "revenue" से "sales" और "income" भी मिलते हैं
• कीवर्ड सर्च सटीक मैच पकड़ता है - कोई प्रोडक्ट कोड या विधिक शब्द तब भी दिखेगा जब एम्बेडिंग मॉडल उसे न समझे
• री-रैंकिंग संयुक्त परिणामों को समर्पित मॉडल से फिर क्रमित करती है ताकि शीर्ष चंक्स सच में सबसे प्रासंगिक हों

वर्कफ़्लो बिल्डर

वर्कफ़्लो बिल्डर एक विज़ुअल कैनवस है जहाँ आप कोड लिखने के बजाय पाइपलाइन कॉन्फ़िगर करते हैं।

आप कंपोनेंट्स को कैनवस पर ड्रैग करते हैं - रिट्रीवल, री-रैंक, LLM, कोड निष्पादन, HTTP कॉल, इटरेशन, स्विच - और उन्हें एक फ़्लो में जोड़ते हैं। RAGFlow में Retrieve - Rerank - Answer, Deep Research, और Data Analytics जैसे सामान्य पैटर्न के लिए प्री-बिल्ट टेम्पलेट्स आते हैं।

ज्यादातर गैर-इंजीनियरों वाली टीमों के लिए, यही तरीका है जिससे वे एक हफ्ते में काम करने वाला प्रोटोटाइप बना सकते हैं।

एजेंट सपोर्ट

v0.20 से, RAGFlow उसी कैनवस पर पूर्ण एजेंटिक वर्कफ़्लो सपोर्ट करता है जिस पर सामान्य वर्कफ़्लो होते हैं।

एक एजेंट कंपोनेंट योजना बना सकता है, चिंतन कर सकता है, टूल्स को कॉल कर सकता है, और सब-एजेंट्स को डेलीगेट कर सकता है। आप एक प्रॉम्प्ट और टूल्स की सूची कॉन्फ़िगर करते हैं, और एजेंट रनटाइम पर तय करता है किस टूल को किस क्रम में कॉल करना है। टूल्स बिल्ट-इन कंपोनेंट्स, आपके जुड़े MCP सर्वर्स, या अन्य एजेंट हो सकते हैं।

मूल्य रिट्रीव की गई नॉलेज पर तर्क करने में है। 

एक सपोर्ट एजेंट नॉलेज बेस से रिट्रीव कर सकता है, किसी बाहरी API को कॉल कर टिकट की स्थिति जाँच सकता है, और तय कर सकता है कि एस्केलेट करना है या नहीं। यह सब एक ही फ़्लो में होता है, और दस्तावेज़ों से आए हिस्सों पर संदर्भ-स्रोत जुड़े होते हैं।

दस्तावेज़ पार्सिंग और नॉलेज एक्सट्रैक्शन

रिट्रीवल गुणवत्ता पार्सिंग गुणवत्ता से शुरू होती है। यदि यह हिस्सा ग़लत हो गया, तो कोई री-रैंकर या बड़ा LLM मदद नहीं कर पाएगा।

ज्यादातर RAG विफलताएँ दस्तावेज़ स्तर पर होती हैं, यानी तालिकाओं से भरा PDF कॉमा-सेपरेटेड वैल्यूज़ के रूप में निकाला जाता है या कोई स्लाइड डेक अपनी दृश्य पदानुक्रम खो देता है। वेक्टर डेटाबेस तक पहुँचते-पहुँचते उन चंक्स में कोई मूल्य नहीं रहता।

RAGFlow का दृष्टिकोण पार्सिंग को प्रथम-श्रेणी की समस्या मानना है।

तालिकाएँ

तालिकाएँ दस्तावेज़ पार्सिंग का सबसे कठिन हिस्सा हैं। एक मानक PDF पार्सर तालिका को पंक्ति दर पंक्ति पढ़ता है और उसे हेडर्स के बिना नंबरों की धारा में बदल देता है। आप संरचना खो देते हैं।

DeepDoc चंकिंग से पहले Table Structure Recognition (TSR) चलाता है। यह तालिका की सीमाएँ, हेडर पंक्ति, कॉलम, और सेल संबंधों की पहचान करता है। जब चंकर दस्तावेज़ को बाँटता है, तालिकाएँ अपने हेडर्स के साथ अक्षुण्ण रहती हैं, और हर पंक्ति अपना संदर्भ बनाए रखती है।

इमेज और स्कैन

DeepDoc स्कैन किए गए पृष्ठों से टेक्स्ट निकालने के लिए OCR का उपयोग करता है, और v0.19 से यह PDFs और DOCX फ़ाइलों के भीतर की इमेज को समझने के लिए विज़न-लैंग्वेज मॉडल का उपयोग कर सकता है।

इसका मतलब कोई आरेख, चार्ट, या रसीद की फोटो भी खोजयोग्य कंटेंट बन सकती है।

मल्टी-कॉलम लेआउट

शैक्षणिक पेपर और वित्तीय रिपोर्टें मल्टी-कॉलम लेआउट का उपयोग करती हैं। एक साधारण पार्सर उन्हें बाएँ से दाएँ, पंक्ति दर पंक्ति पढ़ता है, जिससे कॉलम मिल जाते हैं और कंटेंट का अर्थ बिगड़ जाता है।

DeepDoc पहले रीडिंग ऑर्डर समझने के लिए Document Layout Recognition (DLR) का उपयोग करता है। यह जानता है कि कॉलम 1 कॉलम 2 से पहले आता है, और कोई हेडर दोनों कॉलम पर फैला हो सकता है।

मेटाडेटा

हर चंक मेटाडेटा के साथ आता है, जैसे पेज नंबर, सेक्शन शीर्षक, पेज पर स्थिति, और स्रोत फ़ाइल।

यही संदर्भ-स्रोत संभव बनाते हैं। जब LLM कोई अंश उद्धृत करता है, RAGFlow स्रोत दस्तावेज़ में ठीक उसी पेज और स्थान की ओर संकेत कर सकता है। यही चंक-स्तरीय फ़िल्टरिंग को भी संभव बनाता है - आप किसी विशिष्ट सेक्शन या विशिष्ट दस्तावेज़ के भीतर खोज सकते हैं।

चंक गुणवत्ता

अंतिम हिस्सा स्वयं चंकिंग है। RAGFlow टेम्पलेट-आधारित चंकिंग का उपयोग करता है, यानी आप अपने दस्तावेज़ प्रकार से मेल खाने वाला टेम्पलेट चुनते हैं (General, Paper, Book, Q&A, Manual, Table, या Naive)।

हर टेम्पलेट अलग-अलग नियम लागू करता है कि कहाँ विभाजित किया जाए। Paper टेम्पलेट एब्स्ट्रैक्ट, मेथड्स, और रिजल्ट्स को अलग यूनिट्स के रूप में रखता है। Q&A टेम्पलेट हर प्रश्न को उसके उत्तर के साथ रखता है। Manual टेम्पलेट हेडिंग्स और प्रक्रियाओं का सम्मान करता है। बात समझ में आ गई।

नतीजा ऐसे चंक्स होते हैं जो अपने आप में अर्थपूर्ण होते हैं। जब वे LLM के कॉन्टेक्स्ट विंडो में जोड़े जाते हैं, तो उनके पास सवाल का जवाब देने के लिए पर्याप्त अर्थ होता है।

RAGFlow में रिट्रीवल

एक बार जब आपके दस्तावेज़ पार्स और चंक हो जाएँ, तो रिट्रीवल स्टेप तय करेगा कि LLM सही संदर्भ देखता है या नहीं। RAGFlow का रिट्रीवल इंजन तीन हिस्सों में मिलकर काम करता है।

वेक्टर रिट्रीवल

वेक्टर सर्च सेमांटिक समानता पकड़ता है। आप क्वेरी और हर चंक को एक ही मॉडल से एम्बेड करते हैं, और इंजन वे चंक्स लौटाता है जिनके वेक्टर क्वेरी वेक्टर के सबसे करीब हों।

यही वह चीज़ है जो "revenue growth" की खोज को "sales increase" वाले चंक तक पहुँचने देती है, भले ही दोनों में एक-दूसरे के शब्द न हों। RAGFlow आपको एम्बेडिंग मॉडल चुनने देता है - OpenAI, Cohere, Voyage, BGE, या कोई लोकल - और बाद में पूरे सिस्टम को रीबिल्ड किए बिना बदलने देता है।

हाइब्रिड सर्च

वेक्टर सर्च सटीक शब्दों के लिए सबसे अच्छा नहीं है। जैसे कोई प्रोडक्ट कोड या विधिक संदर्भ सेमांटिक रूप से मज़बूत संकेत नहीं देता, पर सटीक स्ट्रिंग मैच बेहद ज़रूरी है।

RAGFlow वेक्टर सर्च के साथ-साथ BM25 कीवर्ड सर्च चलाकर परिणाम मिलाता है। आपको एक ही क्वेरी में एम्बेडिंग्स की सेमांटिक रिकॉल और कीवर्ड मैचिंग की प्रिसीजन मिलती है।

री-रैंकिंग

पहला राउंड उम्मीदवार सेट देता है - आमतौर पर शीर्ष 30 या 50 चंक्स। यह LLM की कॉन्टेक्स्ट विंडो के लिए बहुत अधिक है, और सूची का शीर्ष अक्सर शोर-भरा होता है।

री-रैंकर उन उम्मीदवारों को लेकर उन्हें एक समर्पित मॉडल से फिर क्रमित करता है जो क्वेरी और हर चंक को साथ पढ़ता है। री-रैंकर जानता है कि क्वेरी के लिए क्या प्रासंगिक है, सिर्फ क्या समान है, यह नहीं। री-रैंकिंग के बाद शीर्ष 5 या 10 चंक्स वही होते हैं जो प्रॉम्प्ट में जाते हैं।

कॉन्टेक्स्ट चयन

अंतिम चरण यह तय करना है कि LLM के कॉन्टेक्स्ट में क्या जाए। RAGFlow आपको चंक्स की संख्या, समानता थ्रेशोल्ड, और न्यूनतम री-रैंकर स्कोर सेट करने देता है।

आप उन्नत विकल्पों का भी उपयोग कर सकते हैं, जैसे RAPTOR (मल्टी-हॉप प्रश्नों के लिए श्रेणीबद्ध सारांश) या लॉन्ग-कॉन्टेक्स्ट RAG (स्वतः-जनित दस्तावेज़-स्तरीय सामग्री-सूची जो LLM को स्रोत सामग्री का नक्शा देती है)। ये विकल्प तब काम आते हैं जब सपाट चंक रिट्रीवल पर्याप्त नहीं होता।

रिट्रीवल इंजन का पूरा उद्देश्य LLM को वही संदर्भ देना है जिसकी उसे ज़रूरत है, उससे अधिक नहीं।

RAGFlow बनाम पारंपरिक RAG पाइपलाइन

पारंपरिक RAG पाइपलाइन स्वतंत्र टूल्स से बनी होती हैं। आप एक पार्सर चुनते हैं (Unstructured, LlamaParse, PyMuPDF), एक चंकर (LangChain टेक्स्ट स्प्लिटर्स, कस्टम कोड), एक एम्बेडिंग मॉडल, एक वेक्टर डेटाबेस (Pinecone, Weaviate, Chroma, Qdrant), एक री-रैंकर (Cohere, BGE), एक LLM क्लाइंट, और एक UI। फिर आप वह कोड लिखते हैं जो इन सबका उपयोग करता है।

यह तरीका आपको सबसे अधिक नियंत्रण देता है, पर इसमें बहुत इंजीनियरिंग मेहनत लगती है।

हर इंटीग्रेशन बिंदु वह कोड है जिसे आपको प्लान, लिख, टेस्ट, और मेंटेन करना होता है। जब आप संदर्भ-स्रोत ट्रैकिंग जोड़ना चाहते हैं, तो आपको उसे बनाना पड़ता है। इसी तरह, जब कोई कंपोनेंट अपनी API बदलता है, तो आप पाइपलाइन ठीक करते हैं।

RAGFlow उलटा दृष्टिकोण अपनाता है।

यह एक एकीकृत प्लेटफ़ॉर्म है जहाँ पार्सिंग, चंकिंग, रिट्रीवल, री-रैंकिंग, संदर्भ-स्रोत, वर्कफ़्लो ऑर्केस्ट्रेशन, और वेब UI बॉक्स से बाहर मिलते हैं। आप कोड के बजाय वेब इंटरफ़ेस से कॉन्फ़िगर करते हैं, और हिस्से पहले से जुड़े होते हैं।

इसके बदले में आप लचीलापन छोड़ते हैं। यदि आप कोई नया चंकिंग एल्गोरिथ्म या शोध-स्तरीय री-रैंकर बदलना चाहते हैं, तो आप Python लिखने के बजाय RAGFlow के प्लगइन मॉडल के भीतर काम कर रहे होंगे। अधिकांश प्रोडक्शन उपयोग मामलों के लिए यह ठीक है, पर प्रायोगिक उपयोग के लिए यह काफ़ी प्रतिबंधात्मक लग सकता है।

अंतर का एक सारांश यहाँ है:

इनमें से कोई भी तरीका सार्वभौमिक रूप से बेहतर नहीं है। यदि आपके पास इंजीनियरिंग समय है और पूर्ण नियंत्रण चाहिए, तो पारंपरिक पाइपलाइन सही चुनाव है। यदि आप नॉलेज बेस पर ध्यान केंद्रित करना चाहते हैं, तो RAGFlow तेज़ रहेगा।

RAGFlow बनाम LangChain और LlamaIndex

यदि आप RAGFlow पर विचार कर रहे हैं, तो आपने संभवतः LangChain और LlamaIndex के बारे में सुना होगा। अब मैं दिखाता हूँ कि ये कैसे तुलना करते हैं।

LangChain

LangChain LLM ऐप्स के लिए एक एप्लिकेशन फ्रेमवर्क है। इसका मुख्य काम ऑर्केस्ट्रेशन है, यानी प्रॉम्प्ट्स, टूल्स, मेमोरी, और मॉडल्स को वर्कफ़्लोज़ में चेन करना। LangChain इस बात की परवाह कम करता है कि आपके दस्तावेज़ कैसे पार्स हुए या आपका रिट्रीवल कैसे सेट हुआ। यह रिट्रीवल के बाद क्या होता है, उस पर केंद्रित है।

यदि आपका प्रोजेक्ट एजेंट-हेवी है - टूल कॉलिंग, मल्टी-स्टेप रीजनिंग, ब्रांचिंग लॉजिक, ह्यूमन-इन-द-लूप - तो LangChain (और इसकी स्टेट-मशीन लेयर LangGraph) अधिकांश टीमों की पसंद रहता है।

LlamaIndex

LlamaIndex LLMs के लिए एक डेटा फ्रेमवर्क है। यह डेटा इनजेस्ट करने, उस पर इंडेक्स बनाने, और उसे अच्छी तरह क्वेरी करने पर केंद्रित है। LlamaIndex के पास 160+ डेटा कनेक्टर्स, कई इंडेक्स प्रकार (वेक्टर, कीवर्ड, ट्री, नॉलेज ग्राफ), और चंकिंग व रिट्रीवल के लिए उचित डिफ़ॉल्ट्स हैं।

यदि आपका प्रोजेक्ट रिट्रीवल-हेवी है, यानी बहुत सारे दस्तावेज़, गहरे सर्च की ज़रूरतें, और स्रोत सिस्टम्स की विविधता, तो LlamaIndex सबसे सशक्त कोड-फर्स्ट विकल्प है।

RAGFlow

RAGFlow एक एकीकृत RAG प्लेटफ़ॉर्म है। यह कोई लाइब्रेरी नहीं जिसे आप Python में इम्पोर्ट कर लें - यह एक सिस्टम है जिसे आप डिप्लॉय करते हैं। पार्सिंग, चंकिंग, रिट्रीवल, री-रैंकिंग, संदर्भ-स्रोत, वर्कफ़्लोज़, एजेंट्स, और वेब UI इसके साथ आते हैं।

यदि आपका प्राथमिक लक्ष्य उलझे दस्तावेज़ों पर बिना पाइपलाइन कोड शून्य से लिखे एक प्रोडक्शन RAG सिस्टम चलाना है, तो RAGFlow सबसे तेज़ राह है।

तीनों टूल साथ में भी काम कर सकते हैं। एक आम पैटर्न है इनजेशन के लिए LlamaIndex, एजेंट ऑर्केस्ट्रेशन के लिए LangChain या LangGraph, और जब आप हैंड-बिल्ट कोड की जगह एक संपूर्ण, सेल्फ-होस्टेड स्टैक चाहते हों तो RAGFlow।

यहाँ एक रीकैप:

RAGFlow के साथ RAG अनुप्रयोग बनाना

एक बार RAGFlow चलने लगे, RAG अनुप्रयोग बनाना पाँच चरणों का अनुसरण करता है। फिर से, आप पाइपलाइन कोड नहीं लिखते, बस हर चरण को UI या API से कॉन्फ़िगर करते हैं।

दस्तावेज़ इनजेस्ट करें

अपने दस्तावेज़ अपलोड करके शुरू करें। आप वेब UI से फ़ाइलें जोड़ सकते हैं, Google Drive, S3, Notion, Confluence, या Discord जैसे डेटा स्रोत कनेक्ट कर सकते हैं, या API से फ़ाइलें जोड़ सकते हैं।

दस्तावेज़ इनजेशन उदाहरण

RAGFlow अधिकांश सामान्य फ़ॉर्मेट स्वीकार करता है, इसलिए आपको पहले से कुछ कन्वर्ट करने की ज़रूरत नहीं।

नॉलेज बेस कॉन्फ़िगर करें

RAGFlow में नॉलेज बेस आपके दस्तावेज़ों, चंक्स, और सेटिंग्स का कंटेनर होता है। आप अपने दस्तावेज़ प्रकार से मेल खाने वाला चंक टेम्पलेट चुनते हैं (मिश्रित कंटेंट के लिए General, शोध के लिए Paper, तकनीकी दस्तावेज़ों के लिए Manual, सपोर्ट टिकट्स के लिए Q&A, इत्यादि), एम्बेडिंग मॉडल चुनते हैं, और पार्सर चुनते हैं।

नॉलेज बेस कॉन्फ़िगरेशन

ध्यान रखें कि यह चरण महत्वपूर्ण है, क्योंकि अच्छा टेम्पलेट चुनाव आगे की कई परेशानियाँ दूर कर देता है।

रिट्रीवल रणनीति चुनें

अगले चरण में तय करें कि रिट्रीवल कैसे काम करेगा। आप लौटाए जाने वाले शीर्ष चंक्स की संख्या, समानता थ्रेशोल्ड, और हाइब्रिड सर्च या केवल वेक्टर सर्च का चुनाव सेट करते हैं। आप री-रैंकिंग चालू कर सकते हैं और कोई री-रैंकर मॉडल चुन सकते हैं।

एडवांस्ड मामलों के लिए, RAGFlow श्रेणीबद्ध सारांश के लिए RAPTOR और एंटिटी-आधारित रिट्रीवल के लिए नॉलेज ग्राफ़ सपोर्ट करता है। आप इन्हें नॉलेज बेस कॉन्फ़िग में चालू कर सकते हैं।

एक LLM कनेक्ट करें

RAGFlow में LLM शामिल नहीं है। आपको अपना मॉडल लाना होता है - OpenAI, DeepSeek, Gemini, Claude, Ollama के जरिए कोई लोकल मॉडल, या RAGFlow द्वारा समर्थित कुछ और।

मॉडल विकल्प

आप सेटिंग्स में अपना API कुंजी जोड़ते हैं, मॉडल चुनते हैं, और सिस्टम प्रॉम्प्ट सेट करते हैं। 

उत्तर जाँचें

अंतिम चरण परीक्षण है। RAGFlow में एक चैट इंटरफ़ेस है जहाँ आप नॉलेज बेस को क्वेरी कर सकते हैं और संदर्भ-स्रोतों सहित उत्तर देख सकते हैं।

किसी भी संदर्भ-स्रोत पर क्लिक करें, और आप ठीक उसी चंक तक पहुँच जाएँगे जिसकी स्रोत दस्तावेज़ में स्थिति हाइलाइट होगी।

अधिकांश टीमें उत्तर उपयोगी होने से पहले इस लूप से कुछ बार गुजरती हैं। यह किसी भी RAG सिस्टम के लिए सामान्य है, पर RAGFlow में आप Python कोड फिर से लिखने के बजाय UI में सेटिंग्स बदलते हैं।

चैट कॉन्फ़िगरेशन उदाहरण

प्रोडक्शन में RAGFlow

आप RAGFlow को प्रोडक्शन में कुछ विशिष्ट उपयोग मामलों के लिए देखते हैं, खासकर वे जहाँ दस्तावेज़ गुणवत्ता और संदर्भ-स्रोत ट्रैकिंग सबसे अधिक मायने रखते हैं।

एंटरप्राइज़ नॉलेज बेस

बड़ी कंपनियों के पास हज़ारों दस्तावेज़ साझा ड्राइव्स, Confluence, SharePoint, और ईमेल अटैचमेंट्स में पड़े PDFs में फैले होते हैं। कर्मचारी आमतौर पर जो चाहिए वह नहीं ढूँढ पाते, और RAG के बिना LLM से पूछना भ्रम पैदा करता है।

RAGFlow यहाँ अच्छा काम करता है।

पुराने PDFs, स्कैन की गई नीतिगत फ़ाइलें, पिवट टेबल्स वाली Excel शीट्स, वर्षों पुराने PowerPoint डेक - ये सब पार्स हो जाते हैं। और संदर्भ-स्रोतों के साथ, लीगल और कंप्लायंस टीमें उत्तरों पर भरोसा कर सकती हैं, और वेब UI का मतलब है कि गैर-इंजीनियर भी नॉलेज बेस बनाए रख सकते हैं।

कस्टमर सपोर्ट असिस्टेंट्स

सपोर्ट टीमों के पास वर्षों के टिकट्स, FAQs, प्रोडक्ट मैनुअल्स, और आंतरिक रनबुक्स होते हैं। किसी सपोर्ट असिस्टेंट को यह सब खंगालना, सही अंश ढूँढना, और यह जानना होता है कि कब एस्केलेट किया जाए।

RAGFlow का Q&A चंक टेम्पलेट इसी के लिए बना है। आप इसे अपना टिकट इतिहास देते हैं और यह हर प्रश्न-उत्तर जोड़ी को रिट्रीवल यूनिट मानता है। यदि आप ऊपर एक एजेंट लेयर जोड़ें, ऑर्डर लुकअप के लिए कोई API कनेक्ट करें, तो आपके पास ऐसा असिस्टेंट होगा जो रूटीन प्रश्न संभाल लेता है और पेचीदा प्रश्न पूरे संदर्भ के साथ आगे भेज देता है।

आंतरिक दस्तावेज़ खोज

इंजीनियरिंग टीमों के रनबुक्स, आर्किटेक्चर दस्तावेज़, इन्सिडेंट पोस्टमॉर्टम, और API रेफ़रेंसेज़ Notion, Confluence, और GitHub में बिखरे होते हैं। Grep कीवर्ड्स के लिए ठीक है, लेकिन "पिछली बार यह अलर्ट उठा था तो हमने कैसे हैंडल किया?" जैसे सवालों में मदद नहीं करता।

RAGFlow आपको पूरे कॉर्पस पर सेमांटिक सर्च देता है, स्रोत पर वापस जाने योग्य संदर्भ-स्रोतों के साथ। इसका मतलब इंजीनियर एक क्लिक में अंश और मूल पेज का लिंक पा सकते हैं।

रिसर्च असिस्टेंट्स

रिसर्च टीमें पेपर्स, पेटेंट्स, रिपोर्ट्स, और आंतरिक प्रयोगों के साथ काम करती हैं। RAGFlow का Deep Research टेम्पलेट इसके लिए बना है, क्योंकि इसमें विचार-श्रृंखला (chain-of-thought) के साथ मल्टी-टर्न रिट्रीवल होता है, जहाँ एजेंट प्रश्न को तोड़ता है, उत्तर के हिस्से खोजता है, और उन्हें संश्लेषित करता है।

फ़ाइनेंस, लीगल, और फ़ार्मा रिसर्च में, हर दावे को किसी स्रोत से ट्रेस कर पाना ही असिस्टेंट को उपयोगी बनाता है।

इन उपयोग मामलों में समानता यह है कि दस्तावेज़ ही सबसे कठिन हिस्सा हैं। यदि आपका स्रोत सामग्री साफ़-सुथरी और सरल है, तो अधिकांश RAG टूल काम करेंगे। यदि यह उलझी और संरचित है, तो RAGFlow की पार्सिंग लेयर आपको शून्य से पाइपलाइन लिखने की तुलना में आगे ले जाएगी।

RAGFlow की डिप्लॉयमेंट

RAGFlow तीन डिप्लॉयमेंट रास्ते देता है। आइए देखें क्या-क्या हैं।

Docker डिप्लॉयमेंट

Docker Compose प्राथमिक रास्ता है। आप रेपो क्लोन करते हैं, docker फ़ोल्डर में जाते हैं, और docker compose up -d चलाते हैं। यह RAGFlow सर्वर को Elasticsearch, MinIO, MySQL, और Redis के साथ शुरू कर देता है।

न्यूनतम स्पेक्स हैं 4 CPU कोर, 16 GB RAM, और 50 GB डिस्क। व्यवहार में, बड़े दस्तावेज़ संग्रह चलाते समय आपको अधिक RAM चाहिए होगी, क्योंकि Elasticsearch और Infinity को बहुत मेमोरी चाहिए।

Docker इमेजेस x86 को टार्गेट करती हैं, इसे ध्यान में रखें। यदि आप Apple Silicon या किसी अन्य ARM64 मशीन पर हैं, तो ट्रांसलेशन लेयर से सिस्टम चल जाएगा, पर बेहतर प्रदर्शन के लिए आप RAGFlow डॉक्स में ARM64 गाइड का उपयोग कर स्वयं इमेज बिल्ड करना चाहेंगे।

लोकल डेवलपमेंट

यदि आप RAGFlow के सोर्स कोड में बदलाव करना चाहते हैं, तो आप बैकएंड और फ़्रंटएंड को सोर्स से चला सकते हैं। Python डिपेंडेंसी के लिए आप uv का उपयोग करते हैं, सपोर्टिंग सर्विसेज़ (MinIO, Elasticsearch, MySQL, Redis) लाने के लिए docker compose -f docker/docker-compose-base.yml up -d चलाते हैं, फिर बैकएंड को शेल स्क्रिप्ट से और फ़्रंटएंड को npm run dev से शुरू करते हैं।

यह रास्ता तभी सार्थक है जब आप प्रोजेक्ट में योगदान दे रहे हों या डिबग कर रहे हों। अधिकांश उपयोगकर्ताओं के लिए Docker Compose तेज़ रास्ता है।

क्लाउड डिप्लॉयमेंट

InfiniFlow एक होस्टेड संस्करण cloud.ragflow.io पर चलाता है। इसमें 5 ऐप्स और प्रति माह 500 क्रेडिट्स वाला एक फ्री टियर है, और $29, $129, तथा एंटरप्राइज़ प्राइसिंग वाले पेड टियर्स हैं।

क्लाउड संस्करण प्रोटोटाइप्स और छोटी टीमों के लिए ठीक है। संवेदनशील डेटा के साथ गंभीर प्रोडक्शन उपयोग हेतु अधिकांश टीमें अपने इन्फ्रास्ट्रक्चर पर सेल्फ-होस्ट करती हैं, या तो छोटे डिप्लॉयमेंट्स के लिए एक सिंगल VM पर या बड़े डिप्लॉयमेंट्स के लिए Kubernetes पर Helm चार्ट के जरिए।

स्केलिंग पर विचार

RAGFlow का डिफ़ॉल्ट डिप्लॉयमेंट सब कुछ एक मशीन पर चलाता है। यह एक हद तक ठीक है, पर उसके बाद आप दस्तावेज़ संख्या, क्वेरी लोड, या टीम आकार पर सीमा छू लेंगे।

जो हिस्से स्वतंत्र रूप से स्केल होते हैं वे हैं दस्तावेज़ इंजन (Elasticsearch या Infinity), ऑब्जेक्ट स्टोरेज (MinIO), और स्वयं RAGFlow ऐप। बड़े डिप्लॉयमेंट्स के लिए, आप इन सेवाओं को अलग-अलग मशीनों पर बाँटते हैं, किसी मैनेज्ड Elasticsearch या S3-संगत ऑब्जेक्ट स्टोर का उपयोग करते हैं, और लोड बैलेंसर के पीछे कई RAGFlow ऐप इंस्टेंस चलाते हैं।

DeepDoc के लिए GPU त्वरक एक और चीज़ है जिसे एक्सप्लोर किया जा सकता है। जैसा कि आप जानते हैं, पार्सिंग डिफ़ॉल्ट रूप से CPU-हेवी है, पर आप कॉन्फ़िग में GPU मोड सक्षम कर सकते हैं, जो बड़े दस्तावेज़ इनजेशन रन पर बड़ा अंतर लाता है।

बाक़ी मानक इन्फ्रास्ट्रक्चर कार्य है, और RAGFlow उनमें से किसी में बाधा नहीं डालता।

RAGFlow के लाभ और सीमाएँ

हर टूल के अपने ट्रेडऑफ़ होते हैं, और RAGFlow भी अलग नहीं। उपयोग से पहले आपको यह जानना चाहिए।

लाभ

• यह एक एकीकृत प्लेटफ़ॉर्म है: आपको पार्सर, वेक्टर डेटाबेस, री-रैंकर, चंकर, और UI फ्रेमवर्क चुनकर कोड लिखने की ज़रूरत नहीं। RAGFlow में सब कुछ शामिल है।
• दस्तावेज़ प्रोसेसिंग सबसे मज़बूत हिस्सा है: DeepDoc PDF, स्कैन फ़ाइलें, तालिकाएँ, और जटिल लेआउट को अधिकांश विकल्पों से बेहतर संभालता है। यदि आपके दस्तावेज़ उलझे हुए हैं, तो अक्सर यही RAGFlow चुनने के लिए पर्याप्त कारण होता है।
• पहले दिन से प्रोडक्शन-उन्मुख: ग्राउंडेड संदर्भ-स्रोत, चंक विज़ुअलाइज़ेशन, एजेंट वर्कफ़्लोज़, MCP सपोर्ट, और एक वास्तविक मैनेजमेंट UI बिल्ट-इन हैं। 
• यह Apache 2.0 के तहत ओपन सोर्स है: आप सेल्फ-होस्ट कर सकते हैं, कोड में बदलाव कर सकते हैं, और अपने इन्फ्रास्ट्रक्चर पर चला सकते हैं। GitHub रेपो के 80k+ स्टार और सक्रिय विकास हैं, तो प्रोजेक्ट कहीं जाने वाला नहीं।

सीमाएँ

• डिप्लॉयमेंट उतना आसान नहीं जितना दिखता है: Docker Compose मदद करता है, लेकिन फिर भी आपको ऐप के साथ Elasticsearch या Infinity, MinIO, MySQL, और Redis चलाने पड़ते हैं। कभी न कभी कुछ टूटेगा, और उसे ठीक करने के लिए आपको पर्याप्त Docker समझ चाहिए होगी।
• इन्फ्रास्ट्रक्चर आवश्यकताएँ: न्यूनतम 16 GB RAM और 4 CPU कोर हैं, पर यह छोटे वर्कलोड्स के लिए है। वास्तविक डिप्लॉयमेंट्स में 32 GB या अधिक चाहिए होगा, खासकर यदि आप Infinity का उपयोग कर रहे हैं या बड़े इनजेशन जॉब्स चला रहे हैं। $5 के VPS पर RAGFlow चलना संभव नहीं।
• सीखने की अवधि: वर्कफ़्लो बिल्डर शक्तिशाली है, पर इसमें कई कंपोनेंट्स हैं, और सही चंक टेम्पलेट व रिट्रीवल सेटिंग्स समझने में समय लगता है। उत्पादक बनने से पहले आप कुछ दिन आराम से इसमें लगाएंगे।

यदि RAGFlow आपके उपयोग मामले में फिट बैठता है, तो इनमें से कोई भी निर्णायक बाधा नहीं है। इन्हें लाइब्रेरी के बजाय प्लेटफ़ॉर्म लेने की लागत समझें।

कौन RAGFlow का उपयोग करे?

RAGFlow हर प्रोजेक्ट के लिए आदर्श नहीं है। यहाँ देखें किसके लिए यह उपयुक्त है और कौन कुछ हल्का टूल चुने।

सबसे उपयुक्त

प्रोडक्शन RAG सिस्टम बनाने वाले AI इंजीनियर्स। यदि आपका काम एक काम करने वाला RAG ऐप बनाना है, न कि एक और चंकिंग लाइब्रेरी लिखना, तो RAGFlow अधिकांश प्लंबिंग हटाता है।

एंटरप्राइज़ AI टीमें। लीगल, कंप्लायंस, फ़ाइनेंस, और सपोर्ट टीमों को संदर्भ-स्रोत और ट्रेसेबिलिटी चाहिए। ऐसा UI भी प्लस है जिसे गैर-इंजीनियर उपयोग कर सकें। 

उलझे दस्तावेज़ों के साथ काम करने वाले डेवलपर। तालिकाओं से भरे PDFs, स्कैन फ़ाइलें, मल्टी-कॉलम लेआउट, और मिश्रित फ़ॉर्मेट्स - यहीं DeepDoc प्रतिस्पर्धा से आगे है। यदि आपकी स्रोत सामग्री साफ़ टेक्स्ट के अलावा कुछ और है, तो RAGFlow की पार्सिंग गुणवत्ता का मुकाबला करना कठिन है।

बड़े दस्तावेज़ संग्रह वाली संस्थाएँ। जब आप कुछ हज़ार दस्तावेज़ों से आगे निकलते हैं, तो आपको ऐसा सिस्टम चाहिए जो बड़े पैमाने पर इनजेस्ट, इंडेक्स, और सर्च कर सके। यहाँ RAGFlow सही टूल है।

कम उपयुक्त

सरल चैटबॉट प्रोटोटाइप्स। यदि आपको सिर्फ कुछ Markdown फ़ाइलों से प्रश्नों के उत्तर देने हैं, तो RAGFlow ज़रूरत से ज़्यादा है। कोई LlamaIndex स्क्रिप्ट या साधारण LangChain पाइपलाइन आपको जल्दी पहुँचा देगी।

बहुत छोटे प्रोजेक्ट्स। कुछ PDFs पर व्यक्तिगत Q&A के लिए इन्फ्रास्ट्रक्चर लागत बहुत भारी है। आप अपने वास्तविक प्रोजेक्ट की तुलना में Docker कमांड्स पर अधिक समय खर्च करेंगे।

टीमें जो शून्य सेटअप चाहती हैं। यदि आप साइन अप कर पाँच मिनट में काम करता RAG चाहते हैं, तो कोई होस्टेड सेवा या हल्की लाइब्रेरी बेहतर विकल्प है। RAGFlow का क्लाउड संस्करण है, पर सेल्फ-होस्टेड रास्ता (जहाँ ज़्यादा मूल्य है) कुछ सेटअप माँगता है।

सरल नियम यह है: यदि उलझे दस्तावेज़ों पर रिट्रीवल गुणवत्ता आपके प्रोजेक्ट का कठिन हिस्सा है, तो RAGFlow सेटअप लागत के क़ाबिल है। यदि नहीं, तो कुछ हल्का उपयोग करें।

निष्कर्ष

RAGFlow वास्तविक दुनिया के दस्तावेज़ों पर प्रोडक्शन RAG अनुप्रयोग बनाने के लिए एक फुल-स्टैक प्लेटफ़ॉर्म है।

इसकी सबसे बड़ी ताकत यह है कि दस्तावेज़ प्रोसेसिंग, रिट्रीवल, री-रैंकिंग, और जनरेशन अलग-अलग टूल्स से जोड़ने के बजाय एक ही वर्कफ़्लो में रहते हैं। आपको एक ही UI और API के पीछे DeepDoc पार्सिंग, हाइब्रिड रिट्रीवल, ग्राउंडेड संदर्भ-स्रोत, और एजेंट वर्कफ़्लोज़ मिलते हैं।

यदि आपके दस्तावेज़ उलझे हुए हैं और रिट्रीवल गुणवत्ता मायने रखती है, तो RAGFlow सेटअप लागत के क़ाबिल है।

फ्री क्लाउड टियर या लोकल Docker डिप्लॉय से शुरू करें, अपनी सबसे कठिन कुछ दस्तावेज़ अपलोड करें, और देखें उत्तर कैसे आते हैं। यह पता करने का सबसे तेज़ तरीका है कि यह आपके उपयोग मामले में फिट बैठता है या नहीं।

RAG आर्किटेक्चर डिज़ाइन से सरल है, पर इसका मतलब यह नहीं कि यह जटिल उपयोग मामलों के लिए काम नहीं करता। घनी रिट्रीवल, री-रैंकिंग, और मल्टी-स्टेप रीजनिंग जानने के लिए हमारा Advanced RAG Techniques ब्लॉग पोस्ट पढ़ें।