RAGFlow 简介
RAGFlow 是一款开源的 RAG（Retrieval-Augmented Generation，检索增强生成）引擎，基于深度文档理解而构建。
它为各类企业和个人提供一个精简、高效的 RAG 工作流程，结合大语言模型（LLM），能够从各种复杂格式的数据中提供可靠的问答，并附带有据可查的引用。:contentReference[oaicite:0]{index=0}
在线演示（Demo）
请访问 demo.ragflow.io 进行试用。:contentReference[oaicite:1]{index=1}
最新更新（截至 2025 年 8 月）
- 2025-08-08 支持 OpenAI 最新的 GPT-5 系列模型。
- 2025-08-04 新增对 Kimi K2 和 Grok 4 等模型的支持。
- 2025-08-01 支持 agentic 工作流和 MCP。
- 2025-05-23 Agent 模块新增 Python/JavaScript 代码执行器组件。
- 2025-05-05 支持跨语言查询功能。
- 2025-03-19 支持使用多模态模型解析 PDF 或 DOCX 中的图像内容。
- 2025-02-28 整合互联网搜索（Tavily），为任意大语言模型实现 Deep Research 式推理功能。
- 2024-12-18 DeepDoc 升级文档布局分析模型。
- 2024-08-22 支持通过 RAG 技术将自然语言转换为 SQL 语句。:contentReference[oaicite:2]{index=2}
主要功能
- 基于深度文档理解：从格式复杂、无结构的数据中提取有价值的信息，实现“在无限上下文中大海捞针”的能力。:contentReference[oaicite:3]{index=3}
- 基于模板的分块机制（Chunking）：智能且可解释，支持多种模板选项。:contentReference[oaicite:4]{index=4}
- 有理可据的引用，减少幻觉：提供文档分块可视化，以及关键引用快照，便于追溯答案来源。:contentReference[oaicite:5]{index=5}
- 兼容异构数据源：支持 Word、PPT、Excel、TXT、图片、扫描件、结构化数据、网页等多种格式。:contentReference[oaicite:6]{index=6}
- 自动化且无忧的 RAG 工作流：支持个体应用与大型企业生态，兼容配置 LLM 和 embedding 模型，支持多重召回技术与融合重排序，以及提供直观 API 以便集成业务。:contentReference[oaicite:7]{index=7}
系统架构
RAGFlow 的整体架构围绕以下流程设计：用户通过前端上传文件 → 经文档解析模块（DeepDoc）转为结构化内容 → 将内容索引入向量数据库 → 用户提问时，进行相似召回 → 结合 LLM 生成带引用的回答。:contentReference[oaicite:8]{index=8}
快速入门（Get Started）
前提条件
- CPU 至少 4 核心
- 内存至少 16 GB
- 磁盘空间至少 50 GB
- Docker ≥ 24.0.0 & Docker Compose ≥ v2.26.1
- 若需使用代码执行器（沙箱）功能，则还需安装 gVisor。:contentReference[oaicite:9]{index=9}
启动服务器步骤
- 设置
vm.max_map_count ≥ 262144：这是 Elasticsearch 正常运行所必需的（Linux/macOS/Windows 均适用），并需持久化设置。:contentReference[oaicite:10]{index=10} - 克隆仓库：
git clone https://github.com/infiniflow/ragflow.git
-
通过 Docker 镜像启动服务：
cd ragflow/docker # CPU方式运行 docker compose -f docker-compose.yml up -d # GPU方式运行 docker compose -f docker-compose-gpu.yml up -d镜像版本说明：
v0.20.4≈ 9 GB，包含 embedding 模型（稳定版本）。v0.20.4-slim≈ 2 GB，不包含 embedding 模型（稳定版本）。nightly≈ 9 GB，包含 embedding 模型（不稳定版本）。nightly-slim≈ 2 GB，不包含 embedding 模型（不稳定版本）。([GitHub][1])
-
检查服务状态：
docker logs -f ragflow-server出现如下日志即表示启动成功，系统运行于
0.0.0.0上：([GitHub][1])____ ___ ______ ______ __ / __ \ / | / ____// ____// /____ _ __ ... * Running on all addresses (0.0.0.0) - 访问服务：在浏览器中输入
http://服务器_IP即可登录（若为默认 HTTP 端口 80，可省略端口号）。([Gitee][2], [GitHub][1]) - 配置 LLM 支持：编辑
service_conf.yaml.template文件，在user_default_llm中选择模型工厂，更新API_KEY字段以配置模型访问。([Gitee][2], [GitHub][1])
构建方式
-
构建无 embedding 模型的 Docker 镜像（约 2 GB）：
git clone https://github.com/infiniflow/ragflow.git cd ragflow/ docker build --platform linux/amd64 --build-arg LIGHTEN=1 -f Dockerfile -t infiniflow/ragflow:nightly-slim .
([GitHub][1])
-
构建包含 embedding 模型的 Docker 镜像（约 9 GB）：
git clone https://github.com/infiniflow/ragflow.git cd ragflow/ docker build --platform linux/amd64 -f Dockerfile -t infiniflow/ragflow:nightly .
([GitHub][1])
源码开发运行流程
可在本地实现完整开发流程，步骤如下：
-
安装依赖工具
uv和pre-commit（若未安装）：pipx install uv pre-commit -
克隆项目并安装 Python 依赖：
git clone https://github.com/infiniflow/ragflow.git cd ragflow/ uv sync --python 3.10 --all-extras uv run download_deps.py pre-commit install -
使用 Docker Compose 启动依赖服务：如 MinIO、Elasticsearch/Infinity、Redis、MySQL 等：
docker compose -f docker/docker-compose-base.yml up -d并在
/etc/hosts中添加以下内容以便解析服务地址：127.0.0.1 es01 infinity mysql minio redis sandbox-executor-manager -
若无法访问 HuggingFace，可设置环境变量使用镜像站点：
export HF_ENDPOINT=https://hf-mirror.com
([GitHub][1]) 5. 若系统缺少 jemalloc，可按如下方式安装：
# Ubuntu
sudo apt-get install libjemalloc-dev
# CentOS
sudo yum install jemalloc
([GitHub][1]) 6. 启动后端服务：
source .venv/bin/activate
export PYTHONPATH=$(pwd)
bash docker/launch_backend_service.sh
-
启动前端服务：
cd web npm install npm run dev -
开发完成后可停止前后端服务：
pkill -f "ragflow_server.py|task_executor.py"
([GitHub][1])
