RAGFlow：让大模型真正读懂公司所有文档的开源 RAG 引擎

把 Word、PPT、扫描件、网页统统变成“可信答案”与“可溯源引用”

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

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）。