Principais conclusões
- Licença Apache 2.0 — livre para auto-hospedar, modificar e redistribuir
- Desenvolvido pela InfiniFlow, um motor RAG open source que combina recuperação com capacidades de agente
- Compreensão profunda de documentos: a análise sensível ao layout extrai tabelas, figuras e estrutura em vez de achatar um arquivo em texto puro
- Citações rastreáveis: cada resposta se conecta ao trecho específico de onde foi gerada, com pré-visualização
- Auto-hospedagem via Docker; hardware mínimo de 4 núcleos de CPU, 16 GB de RAM, 50 GB de disco
- Ideal para fluxos de trabalho com muitos documentos (contratos, demonstrações financeiras, relatórios escaneados); uma ferramenta mais leve basta para Q&A de texto simples
- Também existe uma nuvem gerenciada paga (cloud.ragflow.io) para equipes que preferem não auto-hospedar — esta avaliação cobre a implantação auto-hospedada e open source
📍 Em uma frase
O RAGFlow é um motor RAG open source (Apache 2.0) e auto-hospedado, especializado em compreensão profunda de documentos — análise sensível ao layout de PDFs complexos, tabelas e arquivos escaneados — cujas respostas são rastreáveis até o trecho-fonte exato.
💬 Em termos simples
Em vez de tratar um PDF como uma longa sequência de texto, o RAGFlow lê seu layout — tabelas continuam sendo tabelas, notas de rodapé permanecem ligadas à sua página — e mostra exatamente qual trecho do documento usou para responder sua pergunta.
O que é o RAGFlow?
O RAGFlow (github.com/infiniflow/ragflow) é um motor RAG open source desenvolvido pela InfiniFlow, publicado sob a licença Apache 2.0. Sua própria documentação o descreve como uma fusão de geração aumentada por recuperação com capacidades de agente para criar uma camada de contexto para LLMs — na prática, uma aplicação auto-hospedada com interface web para construir sistemas de perguntas e respostas sobre documentos e fluxos de trabalho agênticos.
- Compreensão profunda de documentos: um pipeline de análise sensível ao layout (DeepDoc) extrai texto, tabelas e figuras de formatos de arquivo complexos, em vez de tratar cada arquivo como texto simples
- Fragmentação (chunking) inteligente baseada em modelos, que o RAGFlow descreve como "explicável" — é possível ver e ajustar como um documento foi dividido antes da indexação
- Citações rastreáveis com pré-visualização do trecho-fonte, para verificar uma resposta em relação à passagem exata da qual ela veio
- Capacidades agênticas: um construtor de fluxo de trabalho visual para encadear recuperação, ferramentas e raciocínio em múltiplas etapas, além de suporte ao Model Context Protocol (MCP)
- Suporta Word, Slides, Excel, TXT, imagens, cópias escaneadas, dados estruturados, páginas web e mais como documentos-fonte
- Implantável via Docker para auto-hospedagem, ou pela nuvem gerenciada paga da InfiniFlow (cloud.ragflow.io) para quem prefere não operar a própria infraestrutura
Compreensão profunda de documentos e citações — o diferencial central do RAGFlow
RAG simples é fácil quando um documento é um arquivo de texto limpo. Documentos corporativos raramente são assim — um contrato pode conter tabelas aninhadas, notas de rodapé, cabeçalhos, páginas escaneadas e referências cruzadas, e uma conversão ingênua de PDF para texto reduz tudo isso a um bloco sem estrutura. O RAGFlow foi construído especificamente para analisar essa estrutura em vez de descartá-la.
📌Nota: O RAGFlow também suporta construção de grafos de conhecimento no estilo GraphRAG e profundidade de raciocínio agêntico configurável, além do pipeline principal de documentos — avalie esses recursos conforme seu próprio caso de uso, em vez de presumir que são necessários para um Q&A básico de documentos.
Como o RAGFlow se diferencia do Quivr, Dify e LlamaIndex?
As quatro ferramentas tocam em geração aumentada por recuperação, mas resolvem problemas diferentes. O RAGFlow deve ser avaliado frente a aplicações prontas de Q&A sobre documentos como o Quivr, não frente a um banco de dados vetorial ou um framework de código — elas competem pela mesma decisão de compra: "apontar para meus documentos e fazer perguntas".
Como auto-hospedar o RAGFlow?
O RAGFlow é implantado via Docker. Estes são os passos documentados no guia oficial de início rápido do projeto, atuais no momento desta avaliação — sempre verifique a documentação do repositório para a tag de release mais recente antes de implantar.
- 1Confirme se sua máquina atende aos mínimos: CPU com 4 ou mais núcleos (x86), 16 GB ou mais de RAM, 50 GB ou mais de disco livre, Docker 24.0.0+ e Docker Compose v2.26.1+.
- 2No Linux, aumente o limite de memory map do kernel para o componente de busca embutido: sudo sysctl -w vm.max_map_count=262144, depois adicione vm.max_map_count=262144 em /etc/sysctl.conf para que sobreviva a uma reinicialização.
- 3Clone o repositório e mude para uma tag de release estável: git clone https://github.com/infiniflow/ragflow.git, depois cd ragflow/docker && git checkout -f v0.27.1 (use a tag vigente no momento da sua implantação).
- 4Inicie o stack: docker compose -f docker-compose.yml up -d. Acompanhe os logs com docker logs -f docker-ragflow-cpu-1 e aguarde a confirmação de início bem-sucedido antes de continuar.
- 5Abra http://<IP-do-seu-servidor> em um navegador (o RAGFlow escuta na porta 80 por padrão), vá em Model providers e adicione a chave de API ou endpoint do LLM e do modelo de embedding que pretende usar.
- 6Crie um dataset, escolha um modelo de embedding e um método de fragmentação, envie seus arquivos e clique no botão de play para analisá-los — depois revise os trechos gerados e crie um chat vinculado a esse dataset para começar a fazer perguntas.
O RAGFlow pode rodar sem conexão com a internet?
O RAGFlow em si roda totalmente offline após implantado, mas precisa de um LLM para gerar respostas. Aponte para um servidor de modelo local (como um endpoint compatível com Ollama) em vez de uma API na nuvem para manter todo o pipeline offline — verifique as configurações de provedor de modelo do RAGFlow para saber quais endpoints locais são suportados.
Quanto espaço em disco o RAGFlow realmente precisa?
O mínimo documentado é de 50 GB livres, além do espaço que seus documentos indexados e os trechos/embeddings gerados vão consumir. Reserve mais espaço para grandes coleções de documentos, já que o RAGFlow armazena trechos analisados e embeddings além dos arquivos-fonte.
Quem deve usar o RAGFlow?
A profundidade da análise de documentos do RAGFlow é uma vantagem real para arquivos complexos e um custo real — em complexidade de instalação e hardware — para equipes que não precisam disso.
RAGFlow vs. Alternativas
Uma comparação lado a lado com base nos critérios que os compradores realmente avaliam: interface, tratamento de documentos e licença.
Ferramenta | Interface | Análise de documentos | Citações | Licença |
|---|---|---|---|---|
| RAGFlow | App web + construtor visual de agentes | Sensível ao layout / tabelas e digitalizações | Rastreáveis até o trecho-fonte | Apache 2.0 |
| Quivr | App web | Extração de texto genérica | Referências de fonte | Open source |
| Dify | App web + construtor de fluxos | Genérica (RAG é um módulo) | Referências de fonte | Open source |
| LlamaIndex | Framework de código, sem UI | Configurável via seus próprios loaders | Você implementa | MIT |
Erros comuns ao avaliar o RAGFlow
Esses erros vêm de tratar o RAGFlow como um substituto direto de uma ferramenta mais simples, ou o contrário — subdimensioná-lo e culpar o software.
Perguntas frequentes
O que é o RAGFlow?
O RAGFlow é um motor RAG open source (Apache 2.0) desenvolvido pela InfiniFlow, especializado em compreensão profunda de documentos. Um analisador sensível ao layout extrai tabelas, figuras e estrutura de documentos complexos, e cada resposta gerada aponta para o trecho-fonte exato de onde veio.
O RAGFlow é gratuito?
A implantação auto-hospedada e open source é gratuita sob a licença Apache 2.0. A InfiniFlow também oferece uma nuvem gerenciada paga separada (cloud.ragflow.io) para equipes que preferem não operar sua própria infraestrutura — esse é um produto distinto do software gratuito auto-hospedado que esta avaliação cobre.
Sob qual licença o RAGFlow é publicado?
Apache License 2.0, que permite uso, modificação e redistribuição livres, incluindo em produtos comerciais.
Como funciona o recurso de citação do RAGFlow?
Cada resposta gerada pelo RAGFlow inclui referências aos trechos específicos dos quais foi construída. A interface permite pré-visualizar a passagem citada dentro do documento original, para verificar a resposta em relação à sua fonte real em vez de confiar apenas no resumo.
O que diferencia o RAGFlow de uma ferramenta RAG típica?
A maioria das ferramentas RAG converte um documento em texto simples antes da fragmentação, o que perde a estrutura de tabelas, notas de rodapé e layout. O RAGFlow analisa o layout primeiro — tabelas continuam sendo tabelas — o que importa especificamente para documentos corporativos complexos como contratos escaneados e demonstrações financeiras.
Quais formatos de documento o RAGFlow suporta?
Word, Slides, Excel, TXT, imagens, cópias escaneadas, dados estruturados e páginas web, segundo a documentação do projeto. Verifique o repositório atual no GitHub para a lista completa e atualizada de formatos antes de implantar, já que o RAGFlow adiciona suporte a novos formatos com frequência.
Posso auto-hospedar o RAGFlow?
Sim. O RAGFlow é implantado via Docker e Docker Compose na sua própria infraestrutura. O hardware mínimo documentado é 4 núcleos de CPU, 16 GB de RAM e 50 GB de disco livre.
Quais são os requisitos de hardware para auto-hospedar o RAGFlow?
CPU com 4 ou mais núcleos (x86), 16 GB ou mais de RAM, 50 GB ou mais de espaço em disco livre, Docker 24.0.0 ou mais recente, e Docker Compose v2.26.1 ou mais recente, conforme a documentação de início rápido do RAGFlow.
RAGFlow vs. LlamaIndex — qual devo usar?
Escolha o LlamaIndex se precisar de um pipeline de recuperação totalmente personalizado construído em código, com sua própria escolha de banco de dados vetorial e sem UI empacotada. Escolha o RAGFlow se uma aplicação web pronta com forte análise de documentos já atende às suas necessidades, sem precisar escrever seu próprio pipeline de recuperação.
O RAGFlow suporta agentes de IA, não apenas RAG?
Sim. Além da recuperação de documentos, o RAGFlow inclui um construtor de fluxo de trabalho visual para encadear etapas de recuperação, ferramentas e raciocínio em múltiplas etapas, junto com suporte ao Model Context Protocol (MCP) para conectar ferramentas externas a um agente.
Preciso me preocupar com a LGPD ao usar o RAGFlow?
Ao auto-hospedar em sua própria infraestrutura no Brasil, você processa documentos e seus embeddings diretamente, o que simplifica a análise sob a LGPD, desde que nenhuma API de LLM ou embedding externa fora do país seja usada sem as devidas salvaguardas. A avaliação de LGPD depende principalmente de qual modelo de linguagem você conecta ao RAGFlow, não apenas da própria ferramenta. Isto não é aconselhamento jurídico; consulte um encarregado de proteção de dados ou um advogado para avaliar o seu caso específico.