RAGFlow：让大模型真正读懂公司所有文档的开源 RAG 引擎 - 链载Ai

ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 16px;font-style: italic;padding: 1em 1em 1em 2em;border-radius: 6px;color: rgba(0, 0, 0, 0.6);background: rgb(247, 247, 247);box-shadow: rgba(0, 0, 0, 0.05) 0px 4px 6px;">
ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 1em;display: block;letter-spacing: 0.1em;color: rgb(63, 63, 63);">把 Word、PPT、扫描件、网页统统变成“可信答案”与“可溯源引用”

ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;display: table;padding: 0.3em 1em;color: rgb(255, 255, 255);background: rgb(15, 76, 129);border-radius: 8px;box-shadow: rgba(0, 0, 0, 0.1) 0px 4px 6px;">项目概述

ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 16px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">RAGFlow 是 infiniflow 团队开源的一款ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: inherit;color: rgb(15, 76, 129);">基于深度文档理解的 RAG（Retrieval-Augmented Generation）引擎。
它不仅能把任何格式的企业知识“切片”后喂给大模型，还能让大模型在回答时给出精确的段落级引用，真正做到ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: inherit;color: rgb(15, 76, 129);">“Quality in, quality out”。

ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 16px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-feature-settings: normal;font-variation-settings: normal;font-size: 14.4px;text-align: left;line-height: 1.75;color: rgb(221, 17, 68);background: rgba(27, 31, 35, 0.05);padding: 3px 5px;border-radius: 4px;">RAGFlow = 深度文档解析 + 模板化切片 + 多路召回 & 重排 + 引用可视化 + 一键 Docker 部署

问题背景

•幻觉顽疾：企业级场景对答案准确性要求极高，但大模型天生“胡说八道”。
•格式噩梦：合同、标书、财报、扫描件、网页……格式千奇百怪，传统解析器频频翻车。
•部署臃肿：开源方案动辄十几个步骤，依赖复杂，运维想哭。

RAGFlow 的出现，就是要把这些问题一次性打包解决。

功能亮点

特性	一句话卖点
📄 深度文档理解	支持 Word / PPT / Excel / PDF / 扫描图片 / 网页等20+ 格式，表格、公式、图文混排都能精准还原。
🍱 模板化切片	提供可视化模板市场，可拖拽定义“按标题、按表格、按段落”等切片策略，零代码也能调优。
🌱 减少幻觉	答案附带原文定位高亮，支持一键跳转原文，溯源到页码、段落、表格单元格。
🍔 异构数据源	同一份知识库可混合上传本地文件、Web 抓取、S3、Notion、Confluence 等。
🛀 自动化工作流	内置Agent 代码执行器、MCP（Multi-Chain Prompting）、跨语言查询，复杂任务也能一条指令跑完。
🚀 一键部署	Docker Compose 一条命令拉起，CPU/GPU 双模式可选；x86 预置镜像 2 GB（slim）/9 GB（full）。

技术细节

•解析层 DeepDoc：自研 LayoutLM 系列模型，在财报/论文/标书中F1 > 95%。
•向量存储：默认 Elasticsearch，可一键切换高性能引擎Infinity（百万级 QPS，毫秒延迟）。
•召回 + 重排：多路向量 & 全文混合召回 → Cross-Encoder 重排 → Top-k 段落送入 LLM。
•沙箱安全：代码执行器基于 gVisor 隔离，防止恶意脚本。
•模型接入：已支持 OpenAI GPT-5、Kimi K2、Grok-4 等20+ 商业/开源模型，配置即用。

安装与使用

系统要求

• CPU ≥ 4 核 / RAM ≥ 16 GB / 磁盘 ≥ 50 GB
• Docker ≥ 24.0 & Docker Compose ≥ v2.26.1

30 秒启动

# 1. 一键克隆
gitclonehttps://github.com/infiniflow/ragflow.git &&cdragflow/docker

# 2. 调整系统参数（仅需一次）
sudosysctl -w vm.max_map_count=262144

# 3. CPU 版启动（GPU 版把 yml 换成 -gpu）
docker compose up -d

浏览器访问http://<服务器IP>，注册账号，即可拖拽上传第一批文档。

首次登录后，在「系统设置 → LLM 供应商」填入你的 OpenAI / Kimi API Key，即可立刻问答。

应用案例

•某头部券商：把 2000 份 IPO 招股说明书接入 RAGFlow，问答准确率从 62% 提升到 93%，尽调时间缩短 70%。
•律所知识库：扫描合同 + 法律条文混合检索，律师可在 3 秒内定位到条款依据。
•高校科研组：将论文 & 实验笔记向量化，实现“跨语言提问 + 图表级溯源”，科研效率提升 2 倍。
•在线 Demo：官方提供demo.ragflow.io^[1]（免登录即可体验）。