基于 RAGFlow + OfficeAce 构建企业级智能文档助手：从文档解析到知识库问答

企业里的文档一直在增加，但这些文档并没有因此变得更容易使用。

制度、产品手册、项目方案和会议纪要散落在不同目录中。真要找一条信息时，往往要先猜文件名，再打开几份文档反复搜索。通用大模型虽然能快速生成答案，却不了解企业内部资料；遇到专业内容时，还可能给出看似合理、实际没有依据的回答。

RAG（检索增强生成）解决的正是这个问题：先从指定知识库中找到与问题相关的内容，再把检索结果交给大模型组织答案。回答不再只依赖模型已有知识，而是能够以企业自己的文档为依据。

这次实践中，我把 RAGFlow 和 OfficeAce 组合到了一起。RAGFlow 负责文档解析、分块、向量存储、检索和问答，OfficeAce 则作为用户日常上传文件、创作文档和发起提问的入口。两者通过 API Skill 连接，不需要修改源码，也不用重新开发一套交互界面。

为什么选择 RAGFlow + OfficeAce

单独使用 RAGFlow，已经可以完成知识库管理和 RAG 问答。但对普通办公用户来说，文档上传、解析规则、分块参数和后台管理仍然有一定门槛。

OfficeAce 更接近日常办公场景。用户可以在一个熟悉的入口中上传本地文档、沉淀 AI 创作结果，并围绕已有资料直接提问。它还可以根据文件格式、文档长度和使用场景生成解析与分块参数，再把任务交给 RAGFlow 执行。

两者的分工很清楚：

• RAGFlow 在后台提供文档解析、智能分块、向量存储、精准检索和知识库问答能力；
• OfficeAce 在前台承接办公交互、AI 创作和用户操作，尽量隐藏底层技术细节。

简单来说，RAGFlow 是知识库底座，OfficeAce 让这套能力真正进入办公流程。

用解决方案实践快速部署 RAGFlow

准备 OfficeAce

先从华为云产品页面下载并安装 OfficeAce：

OfficeAce 产品与下载页面

安装后暂时不用配置，后面还要把 RAGFlow 的 API Key 和服务地址填入 OfficeAce。

创建 RAGFlow 资源栈

RAGFlow 涉及云服务器、网络和运行环境。若从零开始搭建，需要处理不少配置。这次我直接使用华为云“解决方案实践”提供的部署方案：

构建企业级知识库 RAGFlow

单击“开始部署”后，页面会跳转到资源栈创建流程。

配置项虽然不少，实际需要重点确认的只有几处：ECS 规格、root 登录密码、加密密钥和资源栈委托。ECS 规格按业务规模选择；填写的密码会作为 ECS 的 root 登录密码；加密密钥可按需启用，本次实践中没有选择；如果账号下没有可用委托，按照页面提示创建即可。

确认配置后创建执行计划。待状态变为“可用”，在操作列中单击“部署”，查看费用预估并确认执行。后续资源会由资源栈自动创建，不需要逐项手动准备。

部署结束后，可以在资源栈的“输出”中找到 RAGFlow 访问地址。

如果想了解实时安装进度，也可以通过 3030 端口打开部署日志页面。日志显示部署成功后，即可从服务入口进入 RAGFlow。

整个过程看起来有多个页面，真正需要人工处理的主要是规格、密码和委托。相较于手动搭建 Linux、Docker 和网络环境，这种方式更适合希望先快速验证场景的团队。

给 RAGFlow 接入大模型

第一次进入 RAGFlow 时，单击 Sign up，使用邮箱完成注册和登录。进入主页后，也可以按需切换界面语言。

接下来需要为 RAGFlow 配置生成答案所使用的大模型。本次通过华为云 MaaS 平台获取 API Key：登录 MaaS 平台，在左侧进入“API Key 管理”，然后单击“创建 API Key”。

标签需要保持唯一，仅支持大小写英文字母、数字、下划线和中划线，长度为 1～100 个字符；描述同样支持 1～100 个字符。需要注意，标签和描述创建后不能修改。

回到 RAGFlow，单击头像进入模型配置页面，在模型供应商列表中选择 OpenAI-API-Compatible。依次填写 API Base URL、API Key 和实例名称，其中实例名称可自行定义。

保存后先在模型列表中验证模型能否正常调用，验证通过后再将其设为 RAGFlow 默认模型。建议在这里先做一次简单测试，这样后续如果 OfficeAce 问答没有响应，可以更快判断问题出在模型服务、RAGFlow，还是接口连接。

将 RAGFlow 接入 OfficeAce

模型能够正常使用后，下一步是通过 API Skill 把 RAGFlow 的知识库能力接入 OfficeAce。

在 RAGFlow 中单击头像，进入左侧底部的 API 栏目，即可找到对接所需的 API Key 和服务地址。

把这些信息填入 OfficeAce 对应的 API Skill，并完成连接验证，两者就完成了对接。整个过程不需要修改 RAGFlow 源码：OfficeAce 负责接收用户操作，RAGFlow 继续作为独立的知识库服务运行。这样的结构也方便后续分别升级或替换组件。

从“保存文件”到“真正用起来”

完成集成后，这套方案主要呈现出三类能力。

1. AI 创作内容可以直接沉淀

用户在 OfficeAce 中完成报告、方案或制度文档后，可以通过自然语言选择是否将生成文件存入 RAGFlow 私有知识库。是否入库由用户决定，可以把有价值的正式内容留下，同时避免草稿和测试文件不断污染知识库。

2. 本地存量文档无需进入后台上传

已有的办公文档也可以直接在 OfficeAce 中上传，不必再跳转到 RAGFlow 后台完成同样的操作。对经常使用知识库的办公人员来说，这种入口上的简化比增加一个新功能更有价值。

3. 解析与分块不再要求用户先学 RAG

传统方案通常要求用户理解 chunk_size、重叠度和解析规则，再根据文档反复调参。这套组合把分块策略的决策层上移到了 OfficeAce：系统可以结合文档格式、篇幅和办公场景生成合适的参数，再通过 API 交给 RAGFlow 执行。用户如果有特殊需要，也可以通过对话调整解析和分块方式。

技术参数仍然存在，只是不再要求每位办公用户都先成为 RAG 专家。

基于私有知识库回答，而不是凭空生成

文档入库后，用户可以直接在 OfficeAce 中围绕资料提问。OfficeAce 会先调用 RAGFlow，从私有知识库中检索相关片段，再把这些片段作为上下文交给大模型生成答案。

因此，回答不再只依赖通用模型的已有知识，而是尽可能建立在用户自己的真实文档上。系统还可以返回文档名称和章节位置，便于继续核对原文。

这里需要说明的是，接入 RAG 并不意味着模型从此不会出错。回答质量仍然取决于原始文档是否准确、解析是否完整、分块是否合理，以及检索有没有找到真正相关的内容。知识库没有覆盖的问题仍可能出现幻觉；对于制度、合同、财务数据等高要求场景，来源核验依然不能省略。

使用方式发生了哪些变化

与直接使用 RAGFlow 相比，联动 OfficeAce 后的主要变化并不是底层能力更多，而是操作入口和使用门槛发生了变化。

与没有知识库约束的通用 AI 助手相比，这套方案的答案更容易核验：回答基于检索片段生成，可以返回来源，人工核验也从“逐条判断模型说得对不对”变成“沿着引用回到原文检查”。

不过，“可追溯”不等于“可以不审核”。更准确的说法是：当知识库确实覆盖问题时，RAG 能显著降低幻觉风险，并减少核验成本。

写在最后

这次实践没有追求复杂的二次开发，而是用现有能力完成组合：通过解决方案实践快速部署 RAGFlow，用兼容接口接入大模型，再借助 API Skill 把知识库能力带到 OfficeAce。

最终得到的不是又一个聊天窗口，而是一条相对完整的企业文档使用链路：用户上传或创作文档，系统完成解析、分块和入库；需要信息时先检索企业资料，再由模型生成有依据、可追溯的回答。

如果团队已经积累了大量文档，又希望以较低的开发成本先验证智能知识库场景，这种组合是一条值得尝试的路径。

相关链接：

• 华为云 RAGFlow 一键部署
• OfficeAce 产品与下载页面
• 解决方案实践交流群与方案作者、技术开发者交流入口