RAGFlow - 開源企業級 RAG 引擎與 AI Agent 平臺
infiniflow/ragflow
融合深度文件解析與 Agent 能力的開源 RAG 引擎,通過 OCR 與結構化解析實現高精度知識提取與可溯源問答
成熟度：維護活躍,今日仍有提交,open issues 1807 個但 756 貢獻者活躍
项目体检
部署 · Docker Compose 一键部署,依赖 infiniflow/ragflow_deps 镜像预装模型(需首次联网拉取 HuggingFace 资源),默认端口未在配置中明示
成本 · 需外部 LLM API(支持 OpenAI/本地 LLM 代理),依赖 Tika 服务端(已打包)与 NLTK 数据,首次启动需下载 OCR/布局检测模型
技术 · 主要语言 Go(后端),Python(文档解析/深度学习),前端技术栈未在配置中体现,使用 YOLOv8 做目标检测
许可 · Apache-2.0,允许商用且无需开源修改代码,适合企业集成
活跃 · 最新版本 v0.27.0 发布于 8 天前,756 名贡献者,今日仍有代码提交,活跃度极高
解決什麼
RAGFlow 針對企業級 RAG 場景中"文件理解不準"和"答案無法溯源"兩大痛點。傳統 RAG 系統在處理掃描件、複雜表格、多欄佈局時常出現分塊錯誤,導致檢索結果張冠李戴。RAGFlow 通過深度文件解析(OCR + 佈局檢測 + 表格結構識別)將非結構化內容轉為高質量知識塊,並可視化展示分塊結果供人工校驗,確保"輸入質量決定輸出質量"。同時提供引用溯源能力,每個回答都能追溯到原始文件片段,減少幻覺。
為何火
8.9 萬 stars 的熱度源於三點:一是切中企業真實痛點——據 HN 討論,使用者最關心其 OCR 與表格檢測能否媲美 AWS/Google 商業方案;二是開源可私有部署,避免資料上雲風險;三是融合 Agent 工作流,2025 年 8 月更新支援 MCP 協議與程式碼執行器,從單純檢索升級為可編排的智慧體系統。GitHub Octoverse 將其列為趨勢專案,Docker 映象下載量持續攀升,證明生產環境採用率高。
核心功能
- 深度文件解析:基於 YOLOv8 訓練的佈局檢測模型,支援 PDF/DOCX/PPT 中的表格、圖片、多欄文本識別,使用 Tika 做格式轉換,支援 MinerU 與 Docling 作為可選解析引擎
- 模板化分塊:提供多種預設模板(按段落/語義/問答對),視覺化調整分塊策略,避免"切碎"關鍵資訊
- 多模態理解:2025 年 3 月起支援用多模態模型(如 GPT-4V)理解文件中的圖表,提取視覺資訊
- Agent 工作流:可編排的 Agentic Pipeline,支援 Python/JS 程式碼執行、記憶模組、多輪對話,整合 Feishu/Discord/Telegram 等聊天渠道
- 資料同步:從 Confluence/Notion/Google Drive/S3 自動同步文件,保持知識庫即時更新
安裝
Docker 部署(推薦):
git clone https://github.com/infiniflow/ragflow.git
cd ragflow
docker compose up -d
首次啟動會自動拉取 infiniflow/ragflow_deps 映象(約 3GB,含預訓練模型),需聯網訪問 HuggingFace。國內使用者若遇網路問題可設定 NEED_MIRROR=1 並配置 Gitee Token。
原始碼部署:需手動安裝 Python 3.10+、Go 環境,下載 NLTK 資料與 Tika JAR 包,參考官方文件配置環境變數。
適合誰
- 企業知識庫團隊:需處理大量掃描合同、技術手冊、財報等複雜文件
- 合規敏感行業:金融/醫療等不能將資料傳給 OpenAI 的場景,可本地部署 + 接入開源 LLM
- RAG 研發者:需要視覺化除錯分塊效果、對比不同解析策略的開發者
- 不適合:純文本問答(用 LangChain 更輕量)、即時流式場景(Agent 編排有延遲)
社群評價
HN 討論(230 點贊,53 評論)聚焦在技術透明度與效能驗證:
- 正面:使用者認可"深度文件理解"概念,但要求官方提供 Benchmark 資料證明 OCR 效果;有開發者指出其架構與 Fuyu-8B 類似,屬於成熟路線
- 質疑:核心模型託管在 HuggingFace 但未完全開源訓練程式碼,官方回應稱使用 PubTable/CDLA 公開資料集 + 私有資料訓練,後續會開放;早期版本僅支援 OpenAI API,社群呼籲相容 Mistral/本地 LLM,現已通過 litellm-proxy 解決
- 中文社群:Discord 頻道有中文討論,但文件以英文為主,部分配置項(如 Gitee 映象加速)需檢視 Issue
選型對比
| 維度 | RAGFlow | AWS Kendra | LangChain |
|---|---|---|---|
| 文件解析 | 自研 OCR + 表格檢測 | 商業級但黑盒 | 依賴第三方(Unstructured.io) |
| 私有部署 | ✅ Docker 一鍵 | ❌ 僅雲服務 | ✅ 但需自行整合解析 |
| Agent 能力 | 內建工作流編排 | 無 | 需手動組合 LangGraph |
| 成本 | 開源免費(需自備 LLM) | 按查詢計費 | 開源但解析外掛收費 |
取捨:RAGFlow 適合需要完整解決方案且能接受 Docker 部署的團隊;若只需輕量檢索用 LangChain,追求免運維用 Kendra。
已知坑
- 首次部署慢:需下載 3GB+ 模型映象,國內無梯子可能失敗,建議提前配置 Docker 代理或使用 Gitee 映象
- LLM 相容性:雖支援本地 LLM,但需通過 OpenAI 相容介面(如 Ollama),直接對接 HuggingFace Transformers 需自行改造
- 資源佔用:OCR 模型即使用 CPU 推理也需 4GB+ 記憶體,小規模部署建議關閉即時解析改為批處理
- 文件更新:部分新功能(如 MinerU 整合)在 README 提及但官方文件滯後,需檢視 GitHub Discussions
- 表格識別侷限:複雜巢狀表格(如三線表)識別率約 80%,官方建議人工校驗關鍵文件
來源: GitHub 倉庫 + HN 社群討論(https://news.ycombinator.com)
安装方式：docker