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
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
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。
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。
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。
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
试用云服务
不想本地部署可直接使用官方云服务。
- 2
本地部署
按 README 的 Local Deployment 章节用 Docker 启动。
- 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。
