### [RAGFlow：基于深度文档理解的开源RAG引擎，让AI精准理解你的文档](https://www.willai.cc/article/480)

**Published:** 2026-05-22T03:18:52

**Author:** hiyoho

**Excerpt:** ## 📖 项目简介 **RAGFlow** 是一款基于**深度文档理解（DeepDoc）**的开源 RAG（检索增强生成）引擎。它能够结合大语言模型（LLM），从各种复杂格式的数据中精准提取知识，为 AI 应用提供可靠的问答能力。无论你是个

![RAGFlow Logo](https://raw.githubusercontent.com/infiniflow/ragflow/main/docs/assets/logo.png)

* * *

\## 📖 项目简介

\*\*RAGFlow\*\* 是一款基于\*\*深度文档理解（DeepDoc）\*\*的开源 RAG（检索增强生成）引擎。它能够结合大语言模型（LLM），从各种复杂格式的数据中精准提取知识，为 AI 应用提供可靠的问答能力。无论你是个人开发者还是企业团队，RAGFlow 都能帮你构建专属的知识库问答系统。

\*\*GitHub Star:\*\* 81k+ ⭐  
\*\*最新版本:\*\* v0.25.5 (2026年5月)  
\*\*开源协议:\*\* Apache-2.0

—

\## 🔧 安装要求和过程

\### 环境要求

| 环境项 | 最低配置 |  
|——–|———-|  
| \*\*CPU\*\* | ≥ 4核 |  
| \*\*内存\*\* | ≥ 16 GB |  
| \*\*磁盘\*\* | ≥ 50 GB |  
| \*\*Docker版本\*\* | ≥ 24.0.0 |  
| \*\*Docker Compose\*\* | ≥ v2.26.1 |

\*\*⚠️ 重要：\*\* 需确保系统参数 \`vm.max\_map\_count\` ≥ 262144

“\`bash  
\# 临时生效  
sudo sysctl -w vm.max\_map\_count=262144

\# 永久生效  
echo “vm.max\_map\_count=262144” >> /etc/sysctl.conf  
“\`

\### 快速安装（Docker部署）

\*\*1. 克隆仓库\*\*  
“\`bash  
git clone https://github.com/infiniflow/ragflow.git  
cd ragflow/docker  
“\`

\*\*2. 启动服务（CPU版本）\*\*  
“\`bash  
docker compose -f docker-compose.yml up -d  
“\`

\*\*3. 访问服务\*\*  
服务启动后，浏览器访问 \`http://服务器IP地址\`（默认端口80）

\*\*4. 配置LLM\*\*  
在 \`service\_conf.yaml.template\` 中配置你使用的LLM厂商和对应的API\_KEY

\*\*💡 提示：\*\* 如需GPU加速，修改 \`.env\` 文件设置 \`DEVICE=gpu\`

—

\## ⚡ 核心功能

\### 1️⃣ 高质量数据处理  
基于\*\*深度文档理解（DeepDoc）\*\*技术，从格式复杂的非结构化数据中提取知识，支持Word、PPT、Excel、TXT、图片、扫描件、网页等多种异构数据源。

\### 2️⃣ 智能分块与可视化  
提供丰富的模板化分块选项，分块逻辑可解释、可调整。支持分块可视化，允许用户人工干预优化，确保知识切分的精准性。

\### 3️⃣ 降低幻觉，可追溯来源  
回答附带\*\*可追溯的引用来源\*\*，支持查看关键参考信息。可视化展示文本分块逻辑，大幅提升结果可信度。

\### 4️⃣ 自动化RAG工作流  
适配个人和大型企业的RAG编排需求，支持自定义配置LLM和嵌入模型，支持多路召回+融合重排，提供直观的API，可无缝集成到业务系统中。

\### 5️⃣ Agent能力与生态集成  
支持\*\*Agent工作流\*\*、\*\*MCP协议\*\*、\*\*记忆（Memory）功能\*\*。最新版本已支持 DeepSeek v4、Gemini 3 Pro、GPT-5 系列模型，并支持 Confluence、Notion、Discord、Google Drive 等数据源同步。

—

\## 🎯 典型使用场景

\### 场景1：企业知识库问答  
\*\*问题：\*\* 企业内部文档分散，员工查找信息困难  
\*\*解决方案：\*\* 使用 RAGFlow 构建统一知识库，上传公司文档、手册、规范，员工通过自然语言提问即可快速获取准确答案，并附带原文引用。

\### 场景2：技术文档智能检索  
\*\*问题：\*\* 技术文档篇幅长，开发者难以快速定位关键信息  
\*\*解决方案：\*\* 将 API 文档、开发手册导入 RAGFlow，结合 LLM 实现智能问答，开发者可以直接询问”如何在XXX中实现YYY功能”，系统会返回精准的代码段和说明。

\### 场景3：个人学习笔记管理  
\*\*问题：\*\* 学习资料繁多，复习时难以高效检索  
\*\*解决方案：\*\* 将课程笔记、论文、书籍导入 RAGFlow，构建个人知识助手，随时提问巩固知识点，实现智能化学习。

—

\## 💡 推荐理由

作为一名 AI 开发者和内容创作者，我为什么强烈推荐 RAGFlow？

\*\*1. 真正理解复杂文档\*\*  
不同于简单的文本切片，RAGFlow 的\*\*深度文档理解\*\*能力可以识别表格、公式、多栏布局等复杂结构，这在处理技术文档和学术论文时特别有用。

\*\*2. 可视化的分块调试\*\*  
很多 RAG 系统的痛点是”黑盒分块”，你不知道文档是怎么被切分的。RAGFlow 提供\*\*分块可视化\*\*，让你可以直观看到知识切分效果，并手动调整，这大大提升了问答质量。

\*\*3. 开源且活跃\*\*  
81k+ Star，Apache-2.0 协议，社区非常活跃。相比闭源的商业 RAG 服务，你可以完全掌控数据安全，也能根据需求定制功能。

\*\*4. 完整的 Agent 能力\*\*  
最新版本支持 Agent 工作流和记忆功能，不仅能回答问题，还能执行复杂任务，比如”帮我总结本周所有文档的更新内容”。

\*\*5. 部署简单\*\*  
一条 \`docker compose\` 命令就能跑起来，对新手非常友好。同时也支持源码部署，方便深度定制。

—

\## 📥 下载地址

– \*\*GitHub 仓库：\*\* https://github.com/infiniflow/ragflow  
– \*\*官方网站：\*\* https://ragflow.io  
– \*\*云服务入口：\*\* https://cloud.ragflow.io  
– \*\*官方文档：\*\* https://ragflow.io/docs/dev/  
– \*\*中文文档：\*\* https://ragflow.com.cn/docs  
– \*\*Discord 社区：\*\* https://discord.gg/NjYzJD3GM3

—

\## 🏷️ 相关标签

\`RAG\` \`RAGFlow\` \`AI\` \`LLM\` \`AI Agent\` \`开源项目\` \`知识库\` \`检索增强生成\`

—

\*\*📌 系列文章：\*\* 本文是”GitHub热门AI开源项目介绍”系列的第10期。欢迎关注我的博客，获取更多 AI 开源项目的深度介绍！

**Tags:** AI, AI Agent, GitHub, LLM, RAG, RAGFlow

**Categories:** 开源项目

---