关键要点
- Apache 2.0 许可证——可免费自托管、修改和再分发
- 由 InfiniFlow 打造的开源 RAG 引擎,融合检索与智能体能力
- 深度文档理解:版面感知解析提取表格、图表与结构,而非将文件压扁为纯文本
- 可溯源引用:每条回答都链接到其生成所依据的具体片段,并提供预览
- 通过 Docker 自托管;最低硬件要求为 4 核 CPU、16 GB 内存、50 GB 磁盘
- 最适合文档密集型工作流(合同、财务报表、扫描报告);纯文本问答用更轻量的工具即可
- 也提供付费托管云服务(cloud.ragflow.io),供不想自托管的团队使用——本评测聚焦自托管的开源部署
📍 简单一句话
RAGFlow 是一款开源(Apache 2.0)、可自托管的 RAG 引擎,专精于深度文档理解——对复杂 PDF、表格与扫描文件进行版面感知解析——其回答可追溯到确切的来源片段。
💬 简单来说
RAGFlow 不会把 PDF 当作一长串文字来处理,而是读取其版面结构——表格仍然是表格,脚注仍与其所在页面相连——并准确显示它用文档中的哪个片段来回答你的问题。
RAGFlow 是什么？
RAGFlow(github.com/infiniflow/ragflow)是由 InfiniFlow 开发的开源 RAG 引擎,以 Apache 2.0 许可证发布。官方文档将其描述为融合检索增强生成与智能体能力,为大语言模型构建上下文层——实际上是一款带有网页界面的自托管应用,用于构建文档问答系统与智能体工作流。
- 深度文档理解:版面感知解析流水线(DeepDoc)从复杂文件格式中提取文本、表格与图表,而非把每个文件都当作纯文本处理
- 基于模板的智能分块,RAGFlow 官方称其为"可解释"——在索引之前即可查看并调整文档的分块方式
- 带来源片段预览的可溯源引用,可将回答与其确切出处逐一核对
- 智能体能力:可视化工作流构建器,用于串联检索、工具调用与多步推理,并支持模型上下文协议(MCP)
- 支持 Word、Slides、Excel、TXT、图像、扫描件、结构化数据、网页等多种来源文档
- 可通过 Docker 自托管部署,或使用 InfiniFlow 的付费托管云(cloud.ragflow.io),适合不愿自行运维基础设施的团队
深度文档理解与引用——RAGFlow 的核心差异化能力
当文档是一份干净的文本文件时,简单的 RAG 很容易实现。但商业文档很少如此简单——一份合同可能包含嵌套表格、脚注、页眉、扫描页面和交叉引用,而朴素的 PDF 转文本会把这一切压成一团无结构的内容。RAGFlow 正是为了解析这种结构,而不是丢弃它。
📌注: 除核心文档流水线外,RAGFlow 还支持类 GraphRAG 的知识图谱构建以及可配置深度的智能体式推理——请根据自身用例评估这些功能,而非默认基础文档问答就需要它们。
RAGFlow 与 Quivr、Dify、LlamaIndex 有何不同？
这四款工具都涉及检索增强生成,但解决的是不同的问题。RAGFlow 应该与 Quivr 这类开箱即用的文档问答应用相比较,而不是与向量数据库或代码框架相比——它们争夺的是同一类购买决策:"指向我的文档并提问"。
如何自托管 RAGFlow？
RAGFlow 通过 Docker 部署。以下是项目官方快速入门指南中记录的步骤,内容截至本评测撰写时为准——部署前请务必查阅代码仓库文档以获取最新的发布标签。
- 1确认设备满足最低配置:4 核以上 CPU(x86)、16 GB 以上内存、50 GB 以上可用磁盘空间、Docker 24.0.0 及以上、Docker Compose v2.26.1 及以上。
- 2在 Linux 上,为内置的搜索组件提高内核内存映射上限:执行 sudo sysctl -w vm.max_map_count=262144,然后将 vm.max_map_count=262144 写入 /etc/sysctl.conf 以在重启后保持生效。
- 3克隆代码仓库并切换到稳定的发布标签:git clone https://github.com/infiniflow/ragflow.git,然后执行 cd ragflow/docker && git checkout -f v0.27.1(部署时请使用当前最新标签)。
- 4启动服务栈:docker compose -f docker-compose.yml up -d。通过 docker logs -f docker-ragflow-cpu-1 查看日志,等待服务成功启动的提示后再继续。
- 5在浏览器中打开 http://<你的服务器IP>(RAGFlow 默认监听 80 端口),进入 Model providers,添加你计划使用的大语言模型和嵌入模型的 API 密钥或接入点。
- 6创建数据集,选择嵌入模型和分块方式,上传文件并点击播放按钮进行解析——随后检查生成的分块,创建关联该数据集的对话即可开始提问。
RAGFlow 能在没有网络连接的情况下运行吗？
RAGFlow 本身在部署后可完全离线运行,但生成回答需要一个大语言模型。若要让整个流水线保持离线,请指向本地模型服务器(例如兼容 Ollama 的接入点)而非云端 API——具体支持哪些本地接入点,请查看 RAGFlow 的模型提供商设置。
RAGFlow 实际需要多少磁盘空间？
官方文档要求最低 50 GB 可用空间,这还不包括已索引文档及其生成的分块/嵌入向量所占用的空间。由于 RAGFlow 会在原始文件之外另行存储解析后的分块和嵌入向量,大型文档集合应预留更多空间。
谁适合使用 RAGFlow？
RAGFlow 的文档解析深度对结构复杂的文件是真正的优势,但对不需要这种能力的团队而言,也是安装复杂度与硬件成本上的真实代价。
RAGFlow 对比替代方案
按买家实际比较的维度并列呈现:界面、文档处理能力和许可证。
工具 | 界面 | 文档解析 | 引用 | 许可证 |
|---|---|---|---|---|
| RAGFlow | Web 应用 + 可视化智能体构建器 | 版面感知 / 表格与扫描件 | 可追溯至来源片段 | Apache 2.0 |
| Quivr | Web 应用 | 通用文本提取 | 来源引用 | 开源 |
| Dify | Web 应用 + 工作流构建器 | 通用(RAG 是其中一个模块) | 来源引用 | 开源 |
| LlamaIndex | 代码框架,无内置 UI | 通过自选加载器配置 | 需自行实现 | MIT |
评估 RAGFlow 时的常见错误
这些错误源于把 RAGFlow 当作更简单工具的直接替代品,或者相反——配置不足却归咎于软件本身。
常见问题
RAGFlow 是什么？
RAGFlow 是 InfiniFlow 打造的开源(Apache 2.0)RAG 引擎,专注于深度文档理解。版面感知解析器可从复杂文档中提取表格、图表和结构,每条生成的回答都会链接到其确切的来源片段。
RAGFlow 是免费的吗？
自托管的开源部署在 Apache 2.0 许可证下是免费的。InfiniFlow 还提供另一款独立的付费托管云服务(cloud.ragflow.io),供不愿自行运维基础设施的团队使用——它是与本评测所涉及的免费自托管软件不同的产品。
RAGFlow 采用哪种许可证发布？
Apache License 2.0,允许自由使用、修改和再分发,包括用于商业产品。
RAGFlow 的引用功能是如何工作的？
RAGFlow 生成的每条回答都包含指向其具体来源片段的引用。界面允许你预览原始文档中被引用的段落,从而核对回答与其真实来源,而不仅仅依赖摘要。
RAGFlow 与典型的 RAG 工具有何不同？
大多数 RAG 工具在分块前会先将文档转为纯文本,从而丢失表格结构、脚注和版面信息。RAGFlow 先解析版面——表格仍然是表格——这对扫描合同、财务报表等复杂商业文档尤为重要。
RAGFlow 支持哪些文档格式？
根据项目官方文档,支持 Word、Slides、Excel、TXT、图像、扫描件、结构化数据和网页。由于 RAGFlow 经常新增格式支持,部署前请查阅当前 GitHub 仓库以获取完整且最新的格式列表。
我可以自托管 RAGFlow 吗？
可以。RAGFlow 通过 Docker 和 Docker Compose 部署在你自己的基础设施上。官方文档要求的最低硬件配置为 4 核 CPU、16 GB 内存和 50 GB 可用磁盘空间。
自托管 RAGFlow 的硬件要求是什么？
根据 RAGFlow 快速入门文档,需要 4 核及以上 CPU(x86)、16 GB 及以上内存、50 GB 及以上可用磁盘空间、Docker 24.0.0 及以上版本,以及 Docker Compose v2.26.1 及以上版本。
RAGFlow 与 LlamaIndex——应该选哪个？
如果你需要用代码构建完全自定义的检索管道,自行选择向量数据库,且不需要打包好的 UI,请选择 LlamaIndex。如果一款具备强大文档解析能力的开箱即用 Web 应用已能满足需求,而无需自行编写检索管道,请选择 RAGFlow。
RAGFlow 是否支持 AI 智能体,而不仅仅是 RAG？
是的。除文档检索外,RAGFlow 还提供可视化工作流构建器,用于串联检索步骤、工具调用与多步推理,并支持模型上下文协议(MCP),可将外部工具接入智能体。