RAGFlow

1. 项目/产品概览

2. 它主要能做什么

RAGFlow 的核心定位是 "RAG + Agent 融合的上下文引擎"——不仅做文档检索，更提供一整套从文档理解到智能 Agent 的全链路能力。

核心架构（六大模块）

用户/API 层  →  Chat / Agent / 搜索界面 / REST API
     ↓
Agent 编排层 →  Workflow（人工编排） + Agentic Workflow（LLM 自主规划）
     ↓
检索层     →  多路召回（向量 + 关键词 + 知识图谱） + 融合重排序
     ↓
索引层     →  Elasticsearch / Infinity（全文 + 向量混合索引）
     ↓
知识提取层  →  DeepDoc 引擎 / MinerU / Docling / OpenDataLoader
     ↓
数据源层    →  文件上传 / 数据源连接器（Confluence、S3、SharePoint、飞书等）

主要功能模块

3. 适用场景

4. 不太适合的场景

5. 核心能力清单

5.1 文档解析能力（DeepDoc 引擎）

5.2 分块策略

5.3 Agent / Workflow 能力

5.4 模型与基础设施

5.5 企业级特性

6. 架构/部署/集成方式

部署模式

部署步骤（Docker）

# 1. 确保 vm.max_map_count >= 262144
sudo sysctl -w vm.max_map_count=262144

# 2. 克隆仓库
git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker

# 3. CPU 模式启动
docker compose -f docker-compose.yml up -d

# 4. GPU 模式启动（需 NVIDIA GPU）
# sed -i '1i DEVICE=gpu' .env
# docker compose -f docker-compose.yml up -d

# 5. 检查状态
docker logs -f docker-ragflow-cpu-1

# 6. 浏览器访问 http://<服务器IP>

LLM 集成示例（在 WebUI 中配置）

支持通过 OpenAI 兼容 API 接入任何模型：

• Ollama：http://host.docker.internal:11434/v1（本地模型）
• vLLM：http://vllm-server:8000/v1
• 阿里云通义千问：通过 DashScope API Key
• DeepSeek：通过 DeepSeek API Key
• 百川 / ZhipuAI / MiniMax / Moonshot：各自的 API Key 接入

7. 怎么用

Docker 部署 + WebUI 使用（推荐入门方式）

# 1. 部署（见上节）
git clone https://github.com/infiniflow/ragflow.git && cd ragflow/docker
docker compose -f docker-compose.yml up -d

# 2. 浏览器登录 http://localhost 或 http://<服务器IP>
#    首次登录需注册管理员账号

WebUI 使用流程：

1. 配置模型提供商：进入"模型提供商"页面，添加 LLM（如通义千问 qwen-plus）、嵌入模型（如 BGE）、重排序模型
2. 创建知识库：点击"知识库"→"新建"，命名后配置分块策略（如 General）和 PDF 解析器（DeepDoc）
3. 上传文档：拖拽或选择 PDF/Word/PPT/Excel/图片文件，RAGFlow 自动解析并索引
4. 配置检索：选择混合检索模式（向量 + 关键词），设置 Top-K 和相似度阈值
5. 开始对话：切换到"对话"标签页，输入问题即可获得带引用溯源的回答
6. 构建 Agent：进入"Agent"页面，使用预置模板或从空白画布构建，拖拽组件编排流程
7. 发布渠道：将 Agent 发布为飞书/Discord/Slack 等渠道的 Bot，或通过 API 嵌入自有系统

Python SDK 用法

from ragflow_sdk import RAGFlow

# 连接 RAGFlow
rag = RAGFlow(
    api_key="your_api_key",
    base_url="http://localhost/v1"
)

# 创建/获取知识库
dataset = rag.create_dataset(name="企业规章制度")

# 上传文档
dataset.upload_documents(["员工手册.pdf", "薪酬制度.docx"])

# 检索
chunks = dataset.retrieve(
    question="年假怎么请？",
    top_k=5
)

# chat
for ans in dataset.chat_stream("年假怎么请？"):
    print(ans, end="")

REST API 调用

curl -X POST http://localhost/v1/api/chats \
  -H "Authorization: Bearer " \
  -H "Content-Type: application/json" \
  -d '{
    "dataset_ids": [""],
    "question": "请说明年假申请流程",
    "stream": true
  }'

8. 售前可以怎么讲

8.1 一句话定位

"RAGFlow 是全球 GitHub 上最受欢迎的 RAG 开源引擎——84,000 Stars，DeepDoc 深度文档理解能力业界最强，让 AI 真正 '读懂' 你的 PDF、合同、报告。"

8.2 客户痛点 → 解决方案

8.3 差异化卖点

vs MaxKB（1Panel产品）：

vs Haystack（deepset产品）：

vs LlamaIndex：

vs Dify：

核心差异一句话：

• 你要建文档知识库、处理 PDF/合同/扫描件 → RAGFlow（文档理解无敌）
• 你要构建复杂 AI 应用、Workflow → Dify（编排更成熟）
• 你要代码级完全可控 → Haystack / LlamaIndex
• 你要简单 FAQ 轻量 → MaxKB

8.4 客户价值故事线

1. 切入（引起痛感）："你们是不是试过用 RAG 系统处理合同/研报，结果 AI 把表格数据全搞混了？"
2. 拆解（定位根因）："根本原因不是 LLM 不行，是文档解析不行——传统 RAG 把 PDF 当纯文本切，表格被切成碎片，自然检索不到。"
3. 演示（秀肌肉）：当场上传一份复杂的 PDF（含表格+图表+扫描页）→ DeepDoc 解析 → 精确问答 → 溯源定位到原文位置。这是最有力的 demo。
4. 扩展（从 RAG 到 Agent）："不只能问答。你可以拖拽组件搭 Agent——自动读合同→提取关键条款→对比历史案例→生成分析报告。"
5. 落地（打消顾虑）："Docker 一键部署到你内网，数据不出门。API 对接现有系统。飞书/钉钉机器人，员工直接用。"
6. 收尾（信任佐证）："全球 84,000 开发者 Star 了 RAGFlow。阿里云官方推荐。开源免费，Apache-2.0 协议，没有风险。"

9. 常见客户问题

10. PoC 建议

推荐 PoC 方向：复杂文档知识库 RAG 系统

合计：约 4 个工作日

验证指标建议：

• 检索召回率（含表格/图片内容）> 85%
• 复杂表格数据问答准确率 > 90%
• 带溯源引用答案比例 > 95%
• 端到端平均响应时间 < 5 秒
• 扫描件 OCR 准确率 > 95%

PoC 成功关键：

• 必须用客户真实复杂文档——DeepDoc 处理这些文档的能力就是核心卖点
• 重点演示表格问答和扫描件解析，这是最能拉开差距的地方
• 溯源功能一定要展示——点一下答案就能跳到原始文档位置
• GPU 加速要配好，否则 DeepDoc 解析速度慢会影响演示体验

11. 风险和注意事项

12. 我的售前判断

推荐度：最强烈推荐（对于需要文档知识库 / 复杂文档 RAG 的客户，RAGFlow 是首选）

理由：

1. 文档理解壁垒最高：DeepDoc 引擎的 OCR + TSR + DLR 三合一视觉模型，复杂表格 F1 > 95%，这是 RAGFlow 最硬核的护城河。其他框架（Dify、MaxKB、Haystack）在这方面差距明显，短期内难以追赶。
2. 全球社区第一：84,059 Stars 不仅代表认可度，更意味着丰富的社区资源——问题快速解决、最佳实践沉淀、第三方集成丰富。
3. 平台化完整：从文档解析 → 分块 → 检索 → 重排序 → 生成 → Agent → 渠道发布，全链路覆盖且可通过 WebUI 操作。不是框架，是产品。
4. 企业友好：Apache-2.0 完全免费商用 + Docker 一键部署 + 数据不出门 + 多渠道接入 + Admin 管理面。针对中国企业客户（尤其是信创/国产化需求）非常友好。
5. 迭代速度快：7,000+ Commits，每 1-2 个月一个大版本。MCP、GraphRAG、Agent、Memory 等前沿能力快速跟进。
6. 阿里云背书：已被阿里云 SAE 官方集成推荐，可通过 SAE 一键部署高可用实例。

推荐客户画像：

• 有大量复杂文档需要 RAG 处理（PDF 合同、扫描件、含表格/图表报告）
• 需要通过私有化部署保障数据安全
• 中文场景为主
• 需要低代码 / 可视化操作（非纯代码框架）
• 预算有限但追求 RAG 效果（开源免费）
• 有信创 / 国产化合规要求
• 需要多 Agent 协作 + MCP 工具集成

不推荐的情况：

• 需要极强 Workflow 编排能力（分支/循环/变量管理）→ Dify
• 纯代码框架、需要极致灵活性的 Python 开发者 → Haystack / LlamaIndex
• 预算充裕且需要国际大厂企业版支持 → Haystack Enterprise
• 简单 FAQ、轻量需求、低硬件预算 → MaxKB / FastGPT
• ARM64 平台且无法自行构建镜像
• 海外模型生态是核心需求（Dify 的 56 个提供商更丰富）

13. 参考资料

• GitHub 仓库：https://github.com/infiniflow/ragflow
• 官方文档：https://ragflow.io/docs/dev/
• 官网：https://ragflow.io
• SaaS 云版：https://cloud.ragflow.io
• 发布说明（Release Notes）：https://ragflow.io/docs/dev/release_notes
• DeepDoc 技术详解：https://github.com/infiniflow/ragflow/tree/main/deepdoc
• Roadmap：https://github.com/infiniflow/ragflow/issues/12241
• Discord 社区：https://discord.gg/NjYzJD3GM3
• Python SDK：https://pypi.org/project/ragflow-sdk/
• Helm Chart：https://github.com/infiniflow/ragflow/tree/main/helm
• Agentic Workflow 详解：https://www.ragflow.io/blog/agentic-workflow-whats-inside-ragflow-v0.20.0
• 阿里云 SAE 部署：Alibaba Cloud SAE 支持一键部署 RAGFlow 高可用实例
• CSDN DeepDoc 技术分析：https://blog.csdn.net/wayle123/article/details/159760654

分析日期：2026-07-02 | 数据时效：GitHub 元数据实时拉取，产品功能基于 v0.26.2 官方文档和 Release Notes