RAGFlow 项目整理：开源 RAG 引擎的功能与使用方法

Wed, 15 Apr 2026 22:09:25 +0800

RAGFlow 是 infiniflow 开源的 RAG（Retrieval-Augmented Generation，检索增强生成）引擎。它的目标不是只做一个“上传文件然后问答”的知识库外壳，而是把文档解析、切分、检索、重排、引用溯源、模型配置、Agent 能力和 API 集成放进一套完整工作流里。

如果你正在做企业知识库、文档问答、客服助手、内部资料检索，或者想给 LLM 加一层更可靠的上下文来源，RAGFlow 属于值得重点看的开源方案。

01 RAGFlow 解决什么问题

普通 RAG 系统最容易遇到的问题有三个：

文档解析质量不稳定，尤其是 PDF、扫描件、表格、图片、复杂排版文档。
切分策略不透明，命中结果看起来像“搜到了”，但上下文并不完整。
回答缺少可靠引用，用户很难判断答案来自哪里。

RAGFlow 的重点正好放在这些地方。项目 README 里强调了 Deep document understanding、模板化切分、可视化 chunk、引用溯源和多路召回加重排。换句话说，它更关注“高质量数据进入，高质量答案出来”，而不是只把向量数据库和聊天框接起来。

02 核心功能

1. 深度文档理解

RAGFlow 支持从复杂格式的非结构化数据中抽取知识。README 中列出的数据类型包括 Word、PPT、Excel、TXT、图片、扫描件、结构化数据、网页等。

这对企业知识库很关键。真实资料通常不是干净的 Markdown，而是合同、报告、表格、扫描 PDF、产品手册、截图和网页混在一起。如果解析质量不够，后面的向量检索和 LLM 回答都会被拖垮。

2. 模板化切分

RAGFlow 提供模板化 chunking。它的价值在于：切分策略不是黑盒，可以根据文档类型选择更合适的方式。

例如普通文章、论文、表格、问答文档、图片说明、合同条款，对 chunk 的粒度和边界要求都不一样。模板化切分可以减少“句子被切碎”“表格上下文丢失”“标题和正文分离”这类问题。

3. 可追溯引用

RAGFlow 强调 grounded citations，也就是回答要能追溯到来源片段。它还提供 chunk 可视化，方便人工干预解析和切分结果。

这点对生产环境尤其重要。企业内部问答不是只要“看起来像答案”，还要能查证来源。对于政策、合规、财务、技术文档、客户支持资料来说，引用和溯源几乎是刚需。

4. 自动化 RAG 工作流

RAGFlow 把 RAG 流程做成相对完整的链路：

创建知识库
上传或同步数据
解析文档
查看和干预 chunk
配置 LLM 与 embedding 模型
执行多路召回与重排
构建聊天助手
通过 API 集成到业务系统

这让它更像一个 RAG 平台，而不是一个单点库。对于团队来说，UI、可视化和 API 都有价值：非研发人员可以维护知识库，研发人员可以把能力接入已有系统。

5. Agent、MCP 与工作流能力

RAGFlow 的近期更新里已经包含 Agentic workflow、MCP、Agent Memory、代码执行组件等内容。这说明它不只想做传统知识库问答，也在向 Agent 场景延伸。

典型方向是：Agent 在执行任务时，可以把 RAGFlow 作为可靠的企业知识上下文层；需要查资料时从知识库召回，生成回答时保留引用，必要时再组合工具调用或工作流。

03 基本使用流程

按照官方快速开始文档，RAGFlow 的常见使用路径可以概括为下面几步。

1. 准备运行环境

官方 README 给出的基础要求是：

CPU >= 4 cores
RAM >= 16 GB
Disk >= 50 GB
Docker >= 24.0.0
Docker Compose >= v2.26.1

如果要使用代码执行器的沙箱功能，还需要 gVisor。另外要注意，官方 Docker 镜像主要面向 x86 平台；如果是 ARM64，需要按官方说明自行构建镜像。

2. 拉取项目

1
2

git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker

3. 检查 `vm.max_map_count`

RAGFlow 部署会依赖 Elasticsearch / OpenSearch 这类组件，因此 Linux 上通常需要确认：

`1`	`sysctl vm.max_map_count`

如果数值低于 262144，可以临时设置：

`1`	`sudo sysctl -w vm.max_map_count=262144`

如果希望重启后仍然生效，需要写入 /etc/sysctl.conf。

4. 使用 Docker Compose 启动

CPU 模式可以直接启动：

`1`	`docker compose -f docker-compose.yml up -d`

如果要用 GPU 加速 DeepDoc 任务，README 中给出的方式是在 .env 中启用 DEVICE=gpu 后再启动：

1
2

sed -i '1i DEVICE=gpu' .env
docker compose -f docker-compose.yml up -d

启动后查看日志：

`1`	`docker logs -f docker-ragflow-cpu-1`

看到服务启动完成后，再通过浏览器访问服务器地址。默认配置下，通常可以直接访问：

`1`	`http://IP_OF_YOUR_MACHINE`

5. 配置模型 API Key

RAGFlow 需要配置 LLM 和 embedding 模型。README 提到可以在 service_conf.yaml.template 中选择默认 LLM factory，并更新对应的 API_KEY。

实际使用时，你需要根据自己的模型供应商配置：

聊天模型
embedding 模型
rerank 模型
多模态模型（如果要理解 PDF / DOCX 中的图片）

6. 创建知识库并上传文档

服务启动后，典型操作是：

登录 Web UI。
创建 dataset / knowledge base。
上传文档或配置数据源同步。
等待解析完成。
查看 chunk 结果，必要时人工调整。
创建聊天助手，选择知识库。
测试问答效果和引用来源。

如果要接入业务系统，可以继续使用 RAGFlow 的 API 或 SDK，把知识库检索和聊天能力接到自己的应用里。

04 适合哪些场景

RAGFlow 适合这些需求：

企业内部知识库问答
产品手册、技术文档、FAQ 检索
客服助手和售前支持助手
合同、报告、制度文件的可追溯问答
多格式资料统一整理
需要 UI 维护知识库，同时又要 API 集成的团队
想把 RAG 能力作为 Agent 上下文层的系统

它尤其适合文档格式复杂、需要引用溯源、希望人工干预解析结果的场景。

05 使用时要注意什么

第一，RAGFlow 不是轻量脚本。它对机器资源有要求，官方建议至少 4 核 CPU、16GB 内存和 50GB 磁盘。如果只是给少量 Markdown 做问答，可能没必要上这么完整的平台。

第二，文档质量仍然重要。RAGFlow 能改善解析和切分，但不能让低质量、过期、互相矛盾的资料自动变得可靠。真正上线前，知识库治理仍然要做。

第三，模型配置会直接影响效果。embedding、rerank、聊天模型、多模态模型的选择，都会影响召回和回答质量。RAGFlow 提供了工作流，但效果仍然要靠数据、模型和参数一起调。

第四，生产环境要关注权限和数据安全。企业知识库里往往有内部资料，部署方式、访问控制、日志、API Key、模型供应商数据策略都要提前设计。

06 简短判断

RAGFlow 的优势在于把 RAG 里最麻烦的部分做成了平台化能力：复杂文档解析、可解释切分、引用溯源、多路召回、重排、模型配置、Web UI、API 和 Agent 扩展。

如果你要做的是可验证、可维护、可接入业务系统的企业知识库，RAGFlow 比“向量库 + 简单聊天 UI”的方案更完整。反过来，如果只是个人小规模资料问答，或者数据格式非常简单，轻量 RAG 框架可能更省资源。

RAGFlow on KnightLi的博客

RAGFlow 项目整理：开源 RAG 引擎的功能与使用方法

01 RAGFlow 解决什么问题

02 核心功能

1. 深度文档理解

2. 模板化切分

3. 可追溯引用

4. 自动化 RAG 工作流

5. Agent、MCP 与工作流能力

03 基本使用流程

1. 准备运行环境

2. 拉取项目

3. 检查 `vm.max_map_count`

4. 使用 Docker Compose 启动

5. 配置模型 API Key

6. 创建知识库并上传文档

04 适合哪些场景

05 使用时要注意什么

06 简短判断

相关链接

RAGFlow on KnightLi的博客

RAGFlow 项目整理：开源 RAG 引擎的功能与使用方法

01 RAGFlow 解决什么问题

02 核心功能

1. 深度文档理解

2. 模板化切分

3. 可追溯引用

4. 自动化 RAG 工作流

5. Agent、MCP 与工作流能力

03 基本使用流程

1. 准备运行环境

2. 拉取项目

3. 检查 vm.max_map_count

4. 使用 Docker Compose 启动

5. 配置模型 API Key

6. 创建知识库并上传文档

04 适合哪些场景

05 使用时要注意什么

06 简短判断

相关链接

3. 检查 `vm.max_map_count`