RAGFlow

RAGFlow 是 InfiniFlow 团队开发的开源 RAG 引擎，核心使命是解决”大模型+企业文档”落地时最痛的环节——把非结构化文档变成高质量、可溯源的知识​ 。

它的技术哲学是”深度文档理解优先”：传统 RAG 系统往往简单粗暴地把文档切成固定长度的 chunk，导致表格被截断、版面信息丢失、跨页引用断裂；RAGFlow 的 DeepDoc 引擎则通过 OCR、版面分析、表格结构识别、多模态图片理解，将多格式数据清洗为保留语义结构的富表示，再配合模板化智能分块（Template-based Chunking），让每个 chunk 都有清晰的上下文边界 。

在检索层，RAGFlow 采用混合检索架构：向量检索负责语义匹配，BM25 关键词检索负责精确匹配，自定义评分函数与 RRF（Reciprocal Rank Fusion）融合排序把两者结果合并，再叠加 Rerank 模型精排——这套组合拳最小化了幻觉并最大化了相关性 。

在生成层，RAGFlow 的答案会标注关键引用的快照，用户可以点击查看原文出处，实现追根溯源 。部署形态上，RAGFlow 通过 Docker Compose 一键自托管，所有文档、向量索引、对话数据完全保留在客户自有服务器，支持内网离线运行（需预先下载 Embedding 模型），是数据主权要求严格的企业首选。

产品概述

RAGFlow 由 InfiniFlow 团队于 2024 年 4 月 1 日正式开源 ，GitHub 仓库（infiniflow/ragflow）采用 Apache 2.0 协议，社区活跃度极高。技术架构上，RAGFlow 在 v0.26.4 起使用 Elasticsearch 或 Infinity 作为底层检索引擎实现多路召回 ，配合以下核心组件：

• DeepDoc 摄取流水线：OCR、版面分析、表格结构识别、多模态图片理解，将 PDF/Word/Excel/PPT/图片/网页等多格式数据清洗为富语义表示
• 模板化智能分块（Template-based Chunking）：多种预置模板（通用/法律/金融/技术文档等），可视化分块结果，支持人工干预调优
• 混合检索引擎：向量检索 + BM25 关键词检索 + 自定义评分，RRF 融合排序，支持 PageRank 评分增强、关键词提取、相关问题生成
• GraphRAG 知识图谱与 Mind Map：构建文档间的语义关联图谱，支持思维导图可视化
• Agent 工作流编排：可视化画布串联 RAG、工具调用、MCP 协议，内置 Agent 模板，支持 HTTP 工具调用、Python/JavaScript 代码执行器、检索 Agent、报告 Agent
• Text-to-SQL：通过 RAG 查询结构化数据（CSV/XLSX 等）

商业模型上，RAGFlow 采用 Apache 2.0 开源协议，开源免费自部署​ ；RAGFlow 商业版/SaaS 版提供 Starter/Pro/Enterprise 套餐，企业版支持地端与 BYOC（Bring Your Own Cloud）部署 。系统要求：CPU ≥ 4 核、内存 ≥ 16 GB、磁盘 ≥ 50 GB、Docker ≥ 24.0.0 & Docker Compose ≥ v2.26.1；GPU 版需 NVIDIA GPU；代码执行器沙箱功能需 gVisor 。官方目前提供 x86 CPU 与 NVIDIA GPU 的 Docker 镜像，ARM64 需自行构建。

安全合规方面，RAGFlow 通过 Docker Compose 自托管部署，所有文档、向量索引、对话数据完全保留在客户自有服务器，无外部数据传输；支持内网离线运行；代码执行器沙箱基于 gVisor 隔离；LLM API Key 由客户自己配置与管理；企业版支持地端与 BYOC 部署，提供细粒度权限管控。

核心能力

• DeepDoc 深度文档理解：内置摄取流水线，OCR、版面分析、表格结构识别、多模态图片理解，将 PDF/Word/Excel/PPT/图片/网页/扫描件等多格式数据清洗为保留语义结构的富表示
• 模板化智能分块（Template-based Chunking）：多种预置模板（通用/法律/金融/技术文档等），可视化分块结果，支持人工干预调优，让每个 chunk 都有清晰的上下文边界
• 混合检索引擎：向量检索 + BM25 关键词检索 + 自定义评分，RRF（Reciprocal Rank Fusion）融合排序；v0.26.4 起使用 Elasticsearch 或 Infinity 作为底层检索引擎实现多路召回
• 可溯源引用：答案标注关键引用的快照，用户可点击查看原文出处，支持追根溯源，降低幻觉风险
• GraphRAG 知识图谱与 Mind Map：构建文档间的语义关联图谱，支持思维导图可视化呈现
• Agent 工作流编排：可视化画布串联 RAG、工具调用、MCP 协议；内置 Agent 模板；支持 HTTP 工具调用、Python/JavaScript 代码执行器、检索 Agent、报告 Agent
• Text-to-SQL：通过 RAG 查询结构化数据（CSV/XLSX 等），让大模型直接读懂表格
• 异构数据源兼容：Word / Slides / Excel / TXT / Images / Scanned / Structured Data / Web Pages 全覆盖
• 跨语言查询：支持多语言文档索引与跨语言检索
• 可配置多模型角色：支持分别配置 Chat 模型、Embedding 模型、Rerank 模型、Image-to-Text 模型四类模型角色，每类可接入不同云端或本地模型
• LLM 无关设计：云端支持 OpenAI（含 GPT-5 系列）、DeepSeek、通义千问、Kimi K2、Grok 4、Moonshot 等；本地支持通过 Ollama、Xinference、LocalAI 部署的 LLM
• Docker Compose 一键自托管：CPU 版与 GPU 加速版可选，数据完全留在客户自有服务器，支持内网离线运行

优势亮点

• 深度文档理解是最大差异化：DeepDoc 引擎通过 OCR、版面分析、表格结构识别、多模态图片理解，解决了传统 RAG “粗暴切 chunk 导致表格截断、版面丢失”的顽疾——这是 RAGFlow 在”本地部署”分类中”复杂文档处理专家”定位的根基
• 混合检索 + RRF 融合重排序：向量语义 + BM25 关键词 + 自定义评分三者协同，RRF 融合排序，再叠加 Rerank 模型精排，检索精度显著优于单一向量检索
• 可溯源引用降低幻觉：答案标注关键引用快照，用户可点击查看原文出处——这是企业敢用 RAG 的根本前提
• Apache 2.0 开源 + 免费自部署：零许可成本，社区活跃（GitHub 高 Star），企业可完全掌控代码与数据
• 数据 100% 自管 + 支持内网离线：所有文档、向量索引、对话数据完全留在客户自有服务器，无外部数据传输；内网离线运行只需预先下载 Embedding 模型
• Agent 工作流 + MCP 集成：不只是 RAG 引擎，更是可视化工作流平台，可串联 RAG、工具调用、MCP 协议，内置多种 Agent 模板
• GraphRAG + Mind Map：文档间语义关联图谱 + 思维导图可视化，超越传统”问答”的知识组织方式
• LLM 无关 + 多模型角色分离：云端/本地 LLM 任意切换，Chat/Embedding/Rerank/Image-to-Text 四类模型角色可分别接入不同模型，避免供应商锁定
• GPU 加速可选：CPU 版满足一般需求，GPU 版显著加速向量化与推理，灵活匹配硬件条件

短板

• 不是开箱即用的知识库 SaaS 应用：RAGFlow 是 RAG 引擎/平台，需要提供文档、配置模型 API Key、设计工作流才能在业务系统中呈现；如果企业需要类似 Document360/语雀那样的开箱即用知识库站点，应选择上层封装产品
• 部署有技术门槛：需要 Docker ≥ 24.0.0 & Docker Compose ≥ v2.26.1，系统要求 CPU ≥ 4 核、内存 ≥ 16 GB、磁盘 ≥ 50 GB；GPU 版需 NVIDIA GPU；代码执行器沙箱需 gVisor——对没有专职运维的团队不友好
• ARM64 无官方 Docker 镜像：官方目前仅提供 x86 CPU 与 NVIDIA GPU 的 Docker 镜像，ARM64（如 Apple Silicon、ARM 服务器）需自行构建，增加了部署成本
• 强依赖外部基础设施组件：底层依赖 Elasticsearch 或 Infinity（检索）、MinIO（对象存储）、Redis（缓存）、MySQL（元数据存储），全栈部署与运维复杂度不低
• LLM API Key 需自行配置：RAGFlow 不内置大模型，用户需自行申请并配置 OpenAI/DeepSeek/通义等 API Key，或自行部署 Ollama/Xinference/LocalAI 提供本地 LLM
• 企业级安全能力需商业版：开源版提供基础权限管理；细粒度权限管控、SSO、审计日志等高级安全能力主要在商业版/企业版提供
• 学习曲线较陡：DeepDoc 模板选择、混合检索参数调优、Agent 工作流设计、MCP 集成等需要一定的 AI 工程能力，业务团队直接使用需要开发者配合

适用企业/部门

开发者团队、企业 IT 部门、隐私强需求企业、内网隔离环境的组织、AI 技术团队、金融/法律/制造/医疗等高文档依赖行业。

特别适合“数据不能出域、需要基于复杂格式文档（合同/研报/手册/病历/法规）构建高质量 RAG 知识库”的组织 。

如果企业首要需求是”开箱即用的知识库 SaaS 站点”，应选择 Document360/语雀/腾讯乐享企业版；如果企业首要需求是”跨 SaaS 应用统一企业搜索”，Glean 或 Coveo 更合适；如果企业首要需求是”复杂文档的本地化 RAG 引擎”，RAGFlow 是不二之选。

RAGFlow 安装教程

前提条件

ARM64 平台（如 Apple Silicon）官方不维护 Docker 镜像，需按官方指南自行构建。

快速安装（CPU 版）

# 1. 设置系统参数（Linux）
sudo sysctl -w vm.max_map_count=262144

# 2. 克隆仓库
git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker

# 3. 启动服务（CPU 版）
docker compose -f docker-compose.yml up -d

# GPU 加速版（需 NVIDIA GPU）
# sed -i '1i DEVICE=gpu' .env
# docker compose -f docker-compose.yml up -d

验证与访问

# 查看日志，出现 "Running on all addresses (0.0.0.0)" 即启动成功
docker logs -f docker-ragflow-cpu-1

浏览器访问：http://你的服务器IP（默认端口 80，可省略）

启动后需在页面右上角 → Model providers 配置 LLM API Key（支持 OpenAI、DeepSeek、通义千问等，也支持 Ollama 本地模型），并在 System Model Settings 中选择默认的 Chat/Embedding 模型 。