RAGFlow：让大模型真正读懂公司所有文档的开源 RAG 引擎，大模型入门到精通，收藏这篇就足够了！

关注

原创最新推荐文章于 2026-05-05 10:35:02 发布 1k 阅读 AI 写同款· GEO 优化 ›

【Ai教程】Ollma安装 | 0代码本地运行Qwen大模型，保姆级教程来了！我们平时使用的ChatGPT、kimi、豆包等Ai对话工具，其服务器都是部署在各家公司的机房里，如果我们有一些隐私数据发到对话中，很难保证信息是否安全等问题，如何在保证数据安全的情况下，又可以使用大预言模型，Ollma（哦拉玛）可以告诉你答案！阅读详情

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。