项目概述
RAGFlow 是 infiniflow 团队开源的一款 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 “Quality in, quality out”。
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
git clone https://github.com/infiniflow/ragflow.git && cd ragflow/docker
# 2. 调整系统参数（仅需一次）
sudo sysctl -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）。
项目地址
立即体验 RAGFlow，解锁企业知识库的无限可能：
👉 https://github.com/infiniflow/ragflow
大模型算是目前当之无愧最火的一个方向了，算是新时代的风口！有小伙伴觉得，作为新领域、新方向人才需求必然相当大，与之相应的人才缺乏、人才竞争自然也会更少，那转行去做大模型是不是一个更好的选择呢？是不是更好就业呢？是不是就暂时能抵抗35岁中年危机呢？
答案当然是这样，大模型必然是新风口！
那如何学习大模型 ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。但是具体到个人，只能说是：
最先掌握AI的人，将会比较晚掌握AI的人有竞争优势。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
但现在很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是，基于此我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习路线完善出来！
在这个版本当中：
您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型路线+学习教程已经给大家整理并打包分享出来, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
一、大模型经典书籍（免费分享）
AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。
二、640套大模型报告（免费分享）
这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、大模型系列视频教程（免费分享）
四、2025最新大模型学习路线（免费分享）
我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
L5阶段：专题集丨特训篇 【录播课】
全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取
扫一扫
24万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
