infiniflow GitHub avatar

ragflow

Go
检索增强知识库引擎infiniflow最近推送 2026年11月18日
RAG 与知识库Apache-2.094.3k11.3k1,320 issues7 天 +355

AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月17日

开源 RAG 引擎,把复杂文档转成可追溯的上下文供大模型使用。

RAGFlow 是一个开源检索增强生成(RAG)引擎,把 RAG 与 Agent 能力结合,为 LLM 提供上下文层。它提供从文档解析、分块到检索、引用的完整流程,并内置智能体模板,可把复杂数据转成可用于生产的 AI 系统。

推荐指数

5.0

功能完整、社区活跃,是搭建知识库问答的成熟选择。

近 7 天

+355

新增 Star

总 Star 排名

#33

雷达追踪的 3,931 个 AI 仓库中

创建于

2023

2023年12月12日

核心亮点

  • 1深度文档理解

    针对格式复杂的非结构化文档做知识抽取,减少解析失真。

  • 2模板化分块

    提供多种分块模板,分块过程可视化、可人工干预。

  • 3知识编译

    在文档和数据集层面生成 Wiki、图谱、思维导图等结构化产物。

  • 4Agentic 检索

    复杂问题可多步拆解、多轮检索并核验证据,支持四档思考深度。

  • 5可追溯引用

    答案附带关键引用,便于核对来源、降低幻觉。

适用场景

  • 企业知识库问答

    例如:把内部 Word、PDF 手册导入,员工用自然语言提问并看到出处。

  • 复杂文档解析

    例如:对表格、扫描件等格式混乱的资料做结构化抽取后再检索。

  • 智能体应用搭建

    例如:基于预置模板组合检索与推理步骤,构建多步问答助手。

它是怎么工作的

  1. 第 1 步

    导入数据

    接入本地文档或 BigQuery 等数据源,支持增量同步。

  2. 第 2 步

    解析与分块

    按模板对文档做深度解析和分块,可人工检查调整。

  3. 第 3 步

    建立索引

    将分块内容写入检索索引,供后续查询使用。

  4. 第 4 步

    检索与生成

    按问题复杂度做多步检索与推理,生成带引用的回答。

快速上手

  1. 1

    试用云服务

    不想本地部署可直接使用官方云服务。

  2. 2

    本地部署

    按 README 的 Local Deployment 章节用 Docker 启动。

  3. 3

    拉取镜像

    README 提供 Docker Hub 镜像地址。

    docker pull infiniflow/ragflow

适合谁

  • 需要自建知识库问答的开发者
  • 处理复杂格式文档的团队
  • 想用 Agent 模板快速搭应用的人

不太适合

  • 只需简单关键词检索的场景
  • 不愿维护部署和模型配置的用户

成熟度

  • 活跃度2026 年 11 月仍有提交,并发布 1.0.0 版本。
  • 文档有独立文档站和多语言 README,内容较完整。
  • 社区约 9.4 万 star、1.1 万 fork,Discord 与多语言社区活跃。
  • 上手难度提供 Docker 部署和云服务,但本地运行仍需配置模型与依赖。

同类项目怎么选

  • LangChain偏开发框架和组件编排,RAGFlow 是开箱即用的完整引擎与界面。
  • DifyDify 侧重应用编排与工作流,RAGFlow 更聚焦文档解析与检索质量。

使用前注意

  • · 采用 Apache-2.0 许可,商用前建议确认条款。
  • · 本地部署需准备 Docker 环境及可用的模型服务。
  • · 开放 issue 约 1300 个,遇到问题可能需自行排查。
  • · 检索效果依赖文档解析与分块配置,需要调优。

主题标签

aiai-agentsragretrieval-augmented-generationagentic-aiagentic-retrievalagentic-searchcontext-managementknowledge-compilationagent-harnesscontext-engineeringharness-engineeringsearch-harnessagent-native-databasecontext-engineretrieval-harness