Cloudflare 推出了一个全托管的 RAG 系统：AutoRAG ，让你可以很容易地让 AI（如 Claude、ChatGPT）连接你的数据源，读懂你自己的资料，比如 PDF 文档、网页、图片、CSV 表格等，并且能“根据这些内容给你更精准和准确的回答”。

  • 完全托管 RAG 系统：无需搭建繁琐流程
  • 支持网页内容 ingestion：通过 Worker+Browser API 轻松抓取网页
  • 灵活集成：可作为 Claude 等工具的智能问答底座
  • 面向开发者的控制能力：AI Gateway、可视化调试、日志监控

背景：RAG 是什么？为何需要 AutoRAG？

Retrieval-Augmented Generation (RAG) 是一种结合向量检索与大语言模型（LLM）的 AI 技术框架，可用于提升问答质量，特别是涉及私有数据或实时数据的场景。

传统方式存在问题：

  • LLM 无法访问用户私有数据
  • 精调 LLM 成本高昂且维护困难
  • System prompt 增大会话上下文，受限于 token 上限

RAG 的核心思想： 在推理时动态查询用户数据源，将其内容与用户问题一起送入 LLM，生成“有根据”的答案。

例如你问一个 AI：“我们公司的退换货政策是什么？”

  • 普通的 AI 不知道，因为它没看过你公司的文档；
  • 如果你把公司文档给它，它就能从里面“找出答案再回答你”；
  • 这就是 RAG 的作用 —— 把用户的数据接入 AI。

AutoRAG 简介：Cloudflare 推出的托管式 RAG 服务

AutoRAG 是 Cloudflare 推出的 全托管式 RAG 管道服务，开发者无需手动搭建复杂的索引/检索/嵌入/调用流程，仅需指向数据源即可快速构建上下文感知的 AI 系统。

核心特点

  • 无需 glue code：无需手动连接嵌入模型、向量库、LLM 等
  • 自动更新：数据变动时自动重新嵌入、重索引
  • Cloudflare 原生平台构建，依托全球边缘网络
  • 全栈组件可见（非黑盒）
  • Beta 阶段免费

🔍 有啥特别之处？

✅ 极简部署：不用写检索系统、不需要搭向量库，几分钟就能用上，不用管服务器。
✅ 自动更新：你的文件更新了，数据变了，AutoRAG 会自动重新处理
✅ 不限制内容格式：文本、表格、图片都能转成 AI 能理解的格式
✅ 安全可控：你的数据不会被送去公开模型或第三方，运行在你自己的 Cloudflare 账户里
✅ 集成灵活：Claude、Cursor、你自己写的 Worker 应用都能对接，可以用在客服机器人、内部搜索、企业知识库等。
✅ 省钱：公测期间免费，每个账户能建 10 个 AutoRAG，最多处理 10 万个文件。

总结一句话：

AutoRAG = AI+你的数据，一键生成问答系统，自动更新、免维护，马上可用。

架构组成：AutoRAG 的核心组件与流程

🔧 核心组件

AutoRAG 工作机制详解

1️⃣ Indexing（索引过程）

自动后台运行的异步流程，负责处理和结构化输入数据。

步骤如下：

索引（后台跑）：

  • 当你把文件上传到 Cloudflare（R2），AutoRAG 会做以下事：

    1. 读取文件（PDF、HTML、CSV、图片等）
    2. 转成 Markdown 文本（图像会转成描述性文字）
    3. 把文章切块（一整篇文档分成一段段小段落）
    4. 每段转成“向量”（AI 用来理解语义的数字形式）
    5. 把向量保存到数据库中（Cloudflare 的 Vectorize）

    这一步是在后台自动运行的，AutoRAG 会不断检测你的内容是否有变化并更新索引。

✅ 支持文档格式：PDF、TXT、HTML、Markdown、CSV、图像等

2️⃣ Querying（查询过程）

同步执行的流程，响应用户查询。

流程如下：

查询（实时答）：

  • 当你或用户向 AutoRAG 提出问题，比如：

    “我们支持多少种付款方式？”

    AutoRAG 会自动：

    1. 接收问题（你通过 Claude、API、前端发过来）
    2. （可选）优化问题表达，让检索更准
    3. 将问题转成向量（和之前处理的内容一样的格式）
    4. 在向量数据库中查找最匹配的内容段落
    5. 把找到的内容和你的问题一起发给 AI 模型
    6. AI 返回“有根据”的回答

快速上手教程（集成网页内容）

🕸️ 步骤 1：抓取网站内容并上传至 R2

  • 使用 Cloudflare Worker + Puppeteer 抓取网页 HTML
  • 存储至新建的 R2 bucket 中，如 html-bucket

🔧 步骤 2：创建 AutoRAG 实例

通过 Cloudflare Dashboard:

  1. 选择数据源：如上一步的 html-bucket
  2. 选择嵌入模型（默认即可）
  3. 选择生成模型（默认即可）
  4. 创建 AI Gateway 与 API Token
  5. 命名并创建 AutoRAG

💬 步骤 3：测试并集成

  • 使用 Playground 提问验证效果

  • 在应用中通过 aiSearch() 或 search() 方法集成查询

    ``` const answer = await env.AI.autorag('my-rag').aiSearch({ query: 'What is AutoRAG?' });

    ```

应用场景

发展计划（Roadmap）

Cloudflare 正计划扩展 AutoRAG 功能：

  • ✅ 支持更多数据源（如直接爬网站、Cloudflare D1 数据库）
  • ✅ 提高回答质量（增加 rerank、recursive chunking 等机制）
  • ✅ 提供爬虫端点（自动抓取整个网站）
  • ✅ 增强监控和访问控制能力

官方介绍：https://blog.cloudflare.com/introducing-autorag-on-cloudflare/