شغّل محادثة RAGFlow على base url متوافق مع OpenAI-API-Compatible.

إجابة سريعة: أضف النموذج في صفحة Model providers.

سجّل الدخول إلى RAGFlow، انقر شعارك في أعلى اليمين، وافتح Model providers. تحت Models to be added، ابحث عن بطاقة OpenAI-API-Compatible وانقر Add the model. في حوار Add LLM، اضبط Model type على chat، أدخل معرّف الكتالوج الدقيق كـ Model name، ضع https://api.apisrouter.com/v1 في Base url، الصق مفتاحك في API-Key، واضبط Max tokens على حجم سياق النموذج الحقيقي. انقر OK. ثم اجعله يفعل شيئاً: افتح Set default models على نفس الصفحة واختر نموذجك الجديد كـ LLM الافتراضي. مساعدو المحادثة، والأسئلة والأجوبة على مجموعة البيانات، وعُقَد الوكلاء كلها تحل إلى ذلك الافتراضي ما لم تتجاوزه. حافة حادة واحدة يجب معرفتها قبل أول تشغيل: يضبط حقل Max tokens في RAGFlow افتراضياً على 512 وتحذّر تلميحه الخاص من أن قيمة غير صالحة تسبب أخطاء، لذا إدخال نافذة النموذج الموثَّقة جزء من الإعداد، لا تحسيناً.

Model type:  chat
Model name:  deepseek-v4-pro
Base url:    https://api.apisrouter.com/v1
API-Key:     sk-YOUR-APISROUTER-KEY
Max tokens:  128000

then: Set default models → LLM → deepseek-v4-pro

كيف يربط RAGFlow النماذج بالعمل.

RAGFlow (infiniflow على GitHub، بنحو 85 ألف نجمة) محرك RAG عميق المستندات: تحليل واعٍ بالتخطيط لـ PDF والجداول، تقطيع باستشهادات مبنية على السياق، مجموعات بيانات، مساعدو محادثة، وتدفقات عمل وكلاء فوق ذلك كله. أجزاء مختلفة من ذلك الأنبوب ترتبط بفتحات نموذج مختلفة، والربط صريح. نماذج المحادثة تُولِّد الإجابات. نماذج التضمين تُحوِّل المقاطع إلى متجهات للاسترجاع. نماذج إعادة الترتيب تُعيد ترتيب المرشَّحين، ونماذج img2txt تصف الأشكال أثناء التحليل. يمكن لمزوّد OpenAI-API-Compatible تسجيل نماذج لأنواع الاستخدام هذه فردياً، كل حوار Add LLM يُنشئ رابطاً واحداً من نوع ومعرّف وbase url ومفتاح. كل نموذج محادثة مُسجَّل يتحدث بإكمالات محادثة قياسية إلى الـ base url بـ Model name كسلسلة السلك، لذا أي معرّف تخدمه البوابة صالح، بغض النظر عن البائع. ذلك الفصل يهم تشغيلياً: تبديل نموذج إجابتك من gpt-5.5 إلى claude-sonnet-4-6 آمن في أي يوم، لكن نموذج التضمين ملحوم بمتجهاتك المفهرَسة. يفرض RAGFlow فحص توافق عند تبديل نماذج التضمين على مجموعة بيانات تملك بالفعل مقاطع، والقاعدة العملية أبسط: اختر إعداد التضمين مرة، وعامل نماذج المحادثة كالطبقة التي تضبطها بحرية.

مفتاح واحد للنماذج الصينية والغربية معاً.

نشرات RAGFlow تميل ثنائية اللغة: فرق من أصل صيني تعالج قواعد مستندات مختلطة اللغة، وفرق دولية تريد تحديداً نماذج صينية لمستندات صينية. عند الخدمة المباشرة، ذلك المزيج مؤلم، لأن DeepSeek وZhipu وMoonshot وAlibaba يُفوتِر كل واحد منها منفصلاً وبعضها مُحرِج للدفع من الخارج، بينما Anthropic وOpenAI مُحرِجان من الاتجاه الآخر. عبر base url واحد لـ OpenAI-API-Compatible، المزيج مجرد المزيد من حوارات Add LLM: deepseek-v4-pro وglm-5.2 لقواعد المستندات الثقيلة بالصينية، qwen3.7-max وkimi-k2.6 كبدائل إقليمية قوية، claude-sonnet-4-6 حيث يهم صقل الإجابة أكثر من أي شيء. نفس base url، نفس المفتاح، معرّفات مباشرة من الكتالوج. بالنسبة للفرق في آسيا، نفس المسار يعمل بالعكس: تصبح معرّفات Claude وGPT قابلة للوصول على رصيد مدفوع مسبقاً بدون بطاقة غربية، وهو ما يمثّل بالنسبة لكثير من متاجر RAGFlow الفرق بين تقييم نموذج والقراءة عنه. هناك أيضاً مسار وقت الإقلاع يستحق المعرفة: يقبل service_conf.yaml.template كتلة user_default_llm (factory، api_key، base_url) بحيث تبدأ التثبيتات الجديدة مُهيَّأة مسبقاً. توثيق RAGFlow صريح بأن الإعداد بعد تسجيل الدخول يحدث فقط في صفحة Model providers، لذا عامل ملف YAML كتزويد أول إقلاع، لا إعداداً حياً.

user_default_llm:
  factory: OpenAI-API-Compatible
  api_key: sk-YOUR-APISROUTER-KEY
  base_url: https://api.apisrouter.com/v1

اختيار النماذج لأنبوب مستندات.

جودة الاسترجاع تضبط السقف ونموذج الإجابة يقرر مدى اقترابك منه، لذا اختبر A/B نماذج الإجابة على مجموعتك الحقيقية: نفس مجموعة البيانات، نفس الأسئلة، مساعدان مثبَّتان على معرّفين، والإنفاق لكل نموذج في لوحة APIsRouter بجانب حُكمك الخاص على الإجابات.

• الإجابة المبنية على السياق فوق مقاطع مسترجَعة عمل ثقيل بالمدخل حيث تتألق نماذج المستوى المتوسط: deepseek-v4-pro وglm-5.2 يحملان إجابات تتبع الاستشهاد جيداً على مجموعات ثنائية اللغة.
• qwen3.7-max وkimi-k2.6 هما الثقيلان الإقليميان اللذان يستحقان الاختبار عندما يجب أن تُقرأ الإجابات بشكل طبيعي بالصينية؛ فروق الجودة بين النماذج الصينية تظهر في التوليد أكثر من الاسترجاع.
• claude-sonnet-4-6 يستحق فتحة الإجابة حيث جودة التركيب هي المنتج، ملخصات تنفيذية، تحليل عقود، أي شيء يُرسِله إنسان دون تحرير.
• تدفقات عمل الوكلاء التي تستدعي أدوات تحتاج استدعاء دوال موثوقاً؛ اختبر مسار الوكيل على claude-sonnet-4-6 أولاً، ثم انظر أي معرّف إقليمي يطابقه على تدفقاتك.
• Max tokens لكل تسجيل، لذا سجّل نفس المعرّف مرتين بحدود مختلفة إذا احتاج مساعد إجابات طويلة وآخر إجابات دقيقة.

ادفع حسب الاستخدام · أقل من السعر الرسمي

Selected models are priced below official list prices. Exact input, output, cache, and per-request prices are shown for each model.

أنماط الفشل الخاصة بـ RAGFlow.

افتراضي Max tokens هو الكلاسيكي. عند تركه على 512، تُقتَطع الإجابات الطويلة أو تخطئ بطرق تبدو كمشاكل نموذج؛ اضبط حجم السياق الموثَّق عند التسجيل، كما يحذّر التلميح نفسه. نموذج مُسجَّل يخطئ فوراً عادة هجاء Model name (يجب أن يطابق قائمة /v1/models تماماً) أو Base url يفتقد لاحقة /v1 الخاصة به، لأن RAGFlow يُلحِق مسارات بما تدخله. لا شيء يحدث بعد التسجيل مشكلة افتراضيات: تسجيل نموذج لا يختاره. تحقق من Set default models، وتحقق من إعدادات النموذج لكل مساعد، التي تتجاوز الافتراضي على مستوى مساحة العمل. التباس التضمين يُكمِل القائمة. إذا ربطت معرّف تضمين عبر المزوّد المتوافق، تأكّد من أن نقطة النهاية تخدمه فعلياً قبل الفهرسة؛ وبمجرد أن تملك مجموعة بيانات مقاطع، يُقيَّد تغيير نموذج تضمينها بفحص تشابه وقد يتطلب إعادة فهرسة من الصفر. تغييرات نموذج المحادثة لا تحمل تكلفة كهذه، وهذا بالضبط لماذا طبقة المحادثة هي حيث يجب أن تُجرِّب.

من يوجّه RAGFlow عبر بوابة.

• فرق المستندات ثنائية اللغة التي تمزج DeepSeek وGLM وQwen وKimi بمعرّفات Claude وGPT خلف base url واحد ومفتاح واحد.
• الفرق في آسيا التي تريد إجابات بجودة Claude على رصيد مدفوع مسبقاً بدون بطاقة غربية، والفرق الغربية التي تريد نماذج صينية بدون فوترة إقليمية.
• المستضيفون ذاتياً الذين يشغّلون RAGFlow لقواعد المعرفة الداخلية ويريدون إنفاق النشرة السحابي بأكمله على سجل استخدام واحد.
• المُنشِئون الذين يقارنون نماذج الإجابة على مجموعة ثابتة، حيث كل مرشّح حوار Add LLM واحد بدلاً من حساب بائع.
• فرق العمليات التي تُهيِّئ تثبيتات جديدة من service_conf.yaml.template بنقطة النهاية مُهيَّأة مسبقاً عند أول إقلاع.

تحقق من نقطة النهاية وصحّح أخطاء أول محادثة.

أجرِ curl على قائمة النماذج أولاً؛ حقل Model name نص حر، ونسخ المعرّفات من القائمة يُزيل الفشل الأكثر شيوعاً قبل حدوثه. ثم شغّل إكمال محادثة واحد مقابل المعرّف الذي تنوي تسجيله. داخل RAGFlow، سجّل النموذج، اضبطه كـ LLM الافتراضي، واختبر في مساعد محادثة عادي قبل إشراك مجموعات البيانات. أخطاء المصادقة تشير إلى API-Key؛ not-found إلى Model name؛ أخطاء الاتصال إلى Base url أو خروج الحاوية، لأن خادم RAGFlow، لا متصفحك، هو الذي يجب أن يصل إلى نقطة النهاية. الإجابات الطويلة المقتطَعة أو الفاشلة تشير مرة أخرى إلى Max tokens. بمجرد تدفّق المحادثات، تعرض لوحة APIsRouter النموذج لكل طلب، وعدد tokens، والإنفاق. حركة RAG مهيمَنة بالمدخل، وسجل الاستخدام هو حيث ترى ما تكلّفه مجموعتك فعلياً للاستعلام، لكل نموذج، لكل يوم، صفحة واحدة للمعرّفات الصينية والغربية معاً.

curl -s https://api.apisrouter.com/v1/models \
  -H "Authorization: Bearer $APISROUTER_API_KEY" | head -50

curl -s https://api.apisrouter.com/v1/chat/completions \
  -H "Authorization: Bearer $APISROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"deepseek-v4-pro",
       "messages":[{"role":"user","content":"ping"}]}'

الأسئلة الشائعة