RAGFlow
解析复杂文档并融合重排,答案可追溯;自托管资源要求较高
它是什么
RAGFlow 是一套开源 RAG 引擎,用来把 Word、Slides、Excel、扫描件、图片、网页和结构化数据接入 AI 问答。一次典型操作是上传资料,选择解析与切片方式,检查系统生成的知识片段,再让模型检索相关内容、重排结果并生成带来源引用的回答。
与只提供聊天界面或简单向量检索的方案相比,RAGFlow 把复杂文档解析、知识切片、检索重排、引用溯源和 Agent 工作流放在同一套系统中。操作者可以直接查看切片并修正解析结果,适合对知识边界和回答出处有检查要求的生产场景。
怎么运行
最短路径是拉取仓库,切换到指定版本,再用预构建镜像启动 Docker Compose 服务:
bash
git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker
git checkout v0.27.1
docker compose -f docker-compose.yml up -d
docker logs -f docker-ragflow-cpu-1服务初始化完成后,在浏览器访问服务器地址。随后还要在配置中选择 LLM 厂商,并填写对应的 API Key。
核心机制
- 深度文档解析:从版式复杂的非结构化材料中抽取知识,也可借助多模态模型理解 PDF 或 DOCX 内的图片。
- 模板化切片:根据材料类型选择切片模板,并将结果可视化,便于人工调整知识边界。
- 融合检索:组合多路召回与重排,把关键引用附在回答中,方便回到原始材料核对。
- 可编排流程:摄取管线、RAG 工作流和 Agent 模板均可配置,业务系统也能通过 API 接入。
适合谁
适合需要把合同、报告、表格和扫描材料等异构资料接入内部问答的团队,特别是必须检查切片质量和回答出处的场景。它也可以作为自建 AI 应用的检索与上下文层,而不只是一个聊天界面。
使用边界
仓库采用 Apache-2.0 许可。自托管最低要求为 4 核 CPU、16 GB 内存、50 GB 磁盘,并依赖 Docker 24、Docker Compose 2.26.1 及 Python 3.13。预构建镜像面向 x86,ARM64 需要自行构建。系统默认使用 Elasticsearch 保存全文和向量,也可切换 Infinity。所选 LLM 与嵌入服务仍需单独配置,代码执行沙箱还额外依赖 gVisor。