RAGFlow：开源 RAG 与 Agent 引擎

项目简介

RAGFlow 是一个开源检索增强生成（RAG）引擎，将 RAG 与 Agent 能力融合，为 LLM 提供更优质的上下文层。它提供可适配任意规模企业的简化 RAG 工作流，基于融合的 context engine 与预置 Agent 模板，帮助开发者把复杂数据转化为高保真、可用于生产的 AI 系统。

除了本地部署，也可以直接使用云端服务：https://cloud.ragflow.io

主要功能

• 质量优先的文档理解：针对格式复杂的非结构化数据做基于深度文档理解的知识抽取，可在海量内容中定位关键信息。
• 模板化分块：提供多种分块模板，过程智能且可解释。
• 知识编译（Knowledge Compilation）：在文档与数据集层面把内容编译为结构化知识产物，通过编译模板生成 Wiki、图谱、树、PageIndex、思维导图、时间线和 Skills，并可配置编译模型与处理规则，查看、更新、重新生成这些产物。
• Agentic Retrieval：面向复杂问题做多步检索，模型先分析问题，必要时拆解、检索知识并验证证据，通过多轮检索与推理获得更完整的上下文；可选择 Low、Medium、High、Ultra 思考模式控制检索与推理深度。
• 可溯源引用：文本分块可视化，支持人工干预；可快速查看关键引用与可追溯出处，降低幻觉。
• 异构数据源兼容：支持 Word、PowerPoint、Excel、TXT、图片、PDF、扫描件、结构化数据、网页等。
• 自动化 RAG 工作流：面向个人与大型企业的 RAG 编排，可配置 LLM 与 embedding 模型，多路召回配合融合重排，并提供便于业务集成的 API。

安装与使用

本地部署支持 Docker 与源码两种方式。Docker 适合快速评估、集成测试与生产部署，不需要 Go 编译器；源码方式用于开发调试，需要 go.mod 中指定的 Go 版本，前端开发还需要 Node.js 与 npm。

Docker 部署建议起始配置：4 核 CPU、16 GB 内存、50 GB 可用磁盘；实际需求取决于文档引擎、数据量、解析任务与并发情况。需要 Docker ≥ 24.0.0、Docker Compose ≥ v2.26.1。

克隆仓库并启动服务：

git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker
git checkout v1.0.0-rc3
docker compose -f docker-compose.yml up -d

启动后用 docker ps 查看依赖服务，待依赖显示 healthy 且 RAGFlow 容器持续运行后，通过健康检查端点确认是否就绪：

curl -f http://localhost/api/v1/system/healthz

返回 HTTP 200 后，在浏览器访问服务器 IP 进入 Web UI（默认 HTTP 端口为 80，可省略端口号）。登录后在模型供应商页面添加 LLM、embedding 与 reranker，填写模型名称、服务地址和 API key。

注意事项

• 使用 Elasticsearch 时，需在 Docker 宿主机上将 vm.max_map_count 设为至少 262144；使用 Infinity 时通常不需要。该修改在系统重启后会失效，可写入 /etc/sysctl.conf 持久化。
• RAGFlow 开源 1.0 版本中，DeepDoc 使用 CPU 推理完成版面分析、OCR 与表格识别。
• RAGFlow 容器本身未定义 Compose healthcheck，请用上述 HTTP 端点判断是否就绪；启动失败可查看容器日志排查，例如 docker logs --tail 50 ragflow-cpu。
• 若修改了 SVR_WEB_HTTP_PORT，健康检查 URL 中的端口也要相应替换。
• 项目采用 Apache-2.0 许可证。

本作品整理自 GitHub 开源项目 infiniflow/ragflow，原作者 @infiniflow，许可证 Apache-2.0。中文介绍由 AI 根据项目 README 整理，以原仓库为准。