### [RAGFlow：83K+ Stars 的开源 RAG 引擎，为 LLM 打造卓越上下文层](https://www.willai.cc/article/2065)

**Published:** 2026-06-18T06:22:06

**Author:** hiyoho

**Excerpt:** 📌 项目简介 RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，由 InfiniFlow 团队（Milvus 向量数据库原班人马）开发，将前沿 RAG 技术与 Agent 能力深度融合，为大语言模型提供卓越的上下文理解层。 RAG

## 📌 项目简介

**RAGFlow** 是一款领先的开源检索增强生成（RAG）引擎，由 InfiniFlow 团队（Milvus 向量数据库原班人马）开发，将前沿 RAG 技术与 Agent 能力深度融合，为大语言模型提供卓越的上下文理解层。

![RAGFlow 架构图](https://github.com/user-attachments/assets/31b0dd6f-ca4f-445a-9457-70cb44a381b2)

_RAGFlow 系统架构概览_

* * *

## ⚙️ 安装要求和过程

### 环境要求（自托管）

| 配置项 | 最低要求 |
| --- | --- |
| CPU | ≥ 4 核 |
| 内存  | ≥ 16 GB |
| 磁盘  | ≥ 50 GB |
| Docker | ≥ 24.0.0 |
| Docker Compose | ≥ v2.26.1 |

### 🐳 Docker 快速部署（推荐）

```
# 1. 调整系统内核参数（避免 Elasticsearch 启动失败）
sudo sysctl -w vm.max_map_count=262144

# 2. 克隆项目代码
git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker

# 3. 切换到稳定版本
git checkout v0.26.1

# 4. 启动服务（仅CPU）
docker compose -f docker-compose.yml up -d

# （可选）如需GPU加速，先执行：
# sed -i '1i DEVICE=gpu' .env
# docker compose -f docker-compose.yml up -d

# 5. 验证服务状态
docker logs -f docker-ragflow-cpu-1
```

启动成功后，浏览器访问服务器 IP 地址（默认 HTTP 端口 80）即可进入 RAGFlow 登录页面。

### 💻 源码启动（开发用途）

```
# 安装依赖工具
pipx install uv pre-commit

# 克隆代码
git clone https://github.com/infiniflow/ragflow.git
cd ragflow/
uv sync --python 3.13
uv run python3 download_deps.py

# 启动基础依赖服务
docker compose -f docker/docker-compose-base.yml up -d

# 启动后端
source .venv/bin/activate
export PYTHONPATH=$(pwd)
bash docker/launch_backend_service.sh

# 启动前端（新终端）
cd web && npm install && npm run dev
```

* * *

## ✨ 核心功能

### 1\. 深度文档理解，输入即精准

基于先进的文档解析技术，可从格式复杂的非结构化数据（PDF、Word、PPT、Excel、扫描件、图片等）中精准提取知识，真正做到”Quality in, Quality out”。

### 2\. 可视化模板化分块，答案可追溯

分块逻辑智能可解释，提供大量预置分块模板；支持文本分块可视化，允许人工干预调整；最终答案附带可追溯的引用来源，有效降低 LLM 幻觉问题。

### 3\. 多源数据兼容，异构数据统一管理

支持解析 Word、PPT、Excel、TXT、图片、扫描件、结构化数据、网页等各类异构数据源，一站式完成企业知识库构建。

### 4\. Agentic 工作流 + MCP 协议支持

内置丰富 Agent 能力，支持 Agentic 工作流编排、MCP 协议接入；内置 Python/JavaScript 代码执行器组件；支持 AI Agent 记忆功能。

### 5\. 高精度混合检索，多路召回+融合重排

结合向量搜索、BM25 关键词搜索和自定义评分机制，配合先进重排序算法，提供无与伦比的回答准确性和上下文相关性。

* * *

## 🚀 典型使用场景

### 📈 股权投资研究

自动化收集公司数据，整合财务指标与研究洞察。通过自主规划和多智能体编排，实现高级股票分析。自动从用户查询中识别股票代码，聚合外部权威来源和内部记录中的洞察，最终结合定性洞察和财务指标生成完整投资报告。

### ⚖️ 法律判例分析

通过检查公共来源和内部数据集中的类似法律案例，提供结构化判例分析。自动提取关键属性（如司法管辖区和法律问题）以制定搜索查询并检索可比较的先例，最终整合成结构化分析报告。

### 🏭 制造业维护支持

通过从内部手册中准确获取内容，提供结构化维护指导（外部参考作为补充支持）。输入任务后，工作流首先验证输入充分性，然后从内部维护手册中提取标准协议，整合补充外部技术数据，生成清晰的执行指令。

* * *

## 💡 推荐理由

RAGFlow 是我用过的最”务实”的 RAG 产品，没有之一。

**第一，它真正解决了 RAG 的底层痛点——文档解析。**很多 RAG 框架只关注向量检索和生成，却忽略了最关键的”输入质量”问题。RAGFlow 的 DeepDoc 技术能精准解析复杂格式的 PDF、扫描件，真正做到”Garbage in, garbage out”的反面——**Quality in, quality out**。

**第二，可视化分块 + 可追溯引用，让 AI 回答有章可循。**这是企业场景的刚需。你可以清楚看到每个答案是从哪个文档的哪个位置来的，大幅降低了 LLM 幻觉带来的风险。

**第三，Agentic 能力的融合非常自然。**不是简单地在 RAG 上面套一个 Agent 外壳，而是将 Agent 能力（MCP 协议、代码执行、记忆管理）深度集成到 RAG 工作流中，真正实现了”RAG + Agent”的一体化编排。

**最后，InfiniFlow 团队是 Milvus 的原班人马，技术底蕴深厚。**83K+ Stars 和 9600+ Forks 的社区活跃度也证明了产品的成熟度。如果你正在构建企业级知识库或 RAG 应用，RAGFlow 绝对值得一试。

* * *

## 📥 下载地址

**🌐 官方网站：**[https://ragflow.io](https://ragflow.io)

**📦 GitHub 开源地址：**[https://github.com/infiniflow/ragflow](https://github.com/infiniflow/ragflow) ⭐ 83K+ Stars

**☁️ 云服务（快速体验）：**[https://cloud.ragflow.io](https://cloud.ragflow.io)

**📚 官方文档：**[https://ragflow.io/docs/dev/](https://ragflow.io/docs/dev/)

**💡 小贴士：**RAGFlow 支持飞书、Discord、Telegram、Line 等多聊天渠道接入（2026年6月更新），可快速将企业知识库接入到日常沟通工具中！

**Tags:** Agent编排, AI, AI Agent, AI开源项目, LLM, Python, RAG, 向量数据库, 开源, 检索增强生成

**Categories:** 开源项目

---