前言随着大模型在企业落地加速“如何让LLM精准理解私有数据、避免幻觉”成为核心痛点。Retrieval-Augmented GenerationRAG技术因能连接外部知识库、提升回答可信度成为解决该问题的关键方案。而今天要介绍的RAGFlow正是一款将前沿RAG与Agent能力深度融合的开源引擎——无论是个人搭建知识库还是企业级部署它都能帮你快速将复杂数据转化为生产级AI系统。先直观体验下官方Demohttps://demo.ragflow.io感受它的文件管理、AI对话与Agent协作能力一、什么是RAGFlowRAGFlow是由infiniflow开源的企业级RAG引擎核心定位是“为LLM构建更优的上下文层”。它并非简单的“检索生成”工具而是整合了三大核心能力RAGAgent双驱动既支持精准的外部知识检索又能通过Agent模板实现自动化任务执行如技术支持、产品咨询统一上下文引擎能处理海量非结构化数据从扫描件到网页内容都能精准提取知识灵活适配性提供从个人到大型企业的全场景工作流无需从零搭建RAG链路。简言之RAGFlow要解决的是“从数据到AI应用”的全链路问题——接入数据、配置模型就能快速生成高保真的AI问答系统。二、RAGFlow核心功能直击RAG落地4大痛点RAGFlow的功能设计精准匹配开发者在实践中的难题每个特性都对应明确的业务价值. 1. 深度文档理解从“混乱数据”中抽取出精准知识传统RAG工具常栽在“非结构化数据解析”上——比如PDF扫描件的文字提取不全、Excel表格结构丢失。而RAGFlow通过自研的DeepDoc引擎能做到全格式兼容支持Word、PPT、Excel、TXT、图片、扫描件、网页等异构数据源精细信息提取不仅识别文本还能解析表格结构、图片中的文字结合OCR甚至理解PDF中的复杂排版无限token检索无需担心文件过大导致信息丢失能在海量数据中精准找到“关键信息针”。. 2. 模板化分块让“数据切割”更智能、可解释文本分块是RAG的基础分块质量直接影响检索效果。RAGFlow提供多场景模板针对报告、合同、技术文档等不同类型预置专属分块逻辑无需手动调试透明可干预分块过程可视化开发者能清晰知道数据如何拆分便于优化检索策略。. 3. 接地引用彻底告别大模型“幻觉”“回答没依据”是LLM落地的重大风险RAGFlow通过两大机制解决分块可视化干预支持查看文本分块过程避免关键信息被拆分或遗漏可追溯引用来源生成回答时附带原始文档片段每个结论都能对应到具体出处既方便验证也符合企业合规需求。. 4. 自动化RAG工作流从“配置到上线”零代码/低代码无需手动拼接“解析-分块-召回-重排序-生成”等模块RAGFlow已做好全链路封装多模型适配支持OpenAI、Kimi、Grok、DeepSeek等主流LLM与嵌入模型灵活切换智能检索策略多轮召回关键词向量结合融合重排序提升检索精度便捷集成提供直观API轻松与现有业务系统对接如客服、技术支持平台。三、2025最新更新紧跟大模型技术前沿RAGFlow的开发团队迭代非常活跃2025年以来的关键升级值得关注确保工具始终适配最新技术2025-08-08支持OpenAI最新GPT-5系列模型进一步提升生成质量2025-08-04新增对Kimi K2、Grok 4的支持模型选择更灵活2025-08-01正式支持Agentic工作流与MCP多组件协调平台可搭建多Agent协作系统如“技术支持Agent检索Subagent”2025-05-23为Agent新增Python/JavaScript代码执行器支持自动运行代码处理数据如计算、分析2025-03-19接入多模态模型可解析PDF/DOCX中的图片内容如识别图表、截图文字2024年底升级DeepDoc的文档布局分析模型提升复杂格式文件解析成功率。四、快速上手3步启动RAGFlow服务RAGFlow基于Docker部署无需复杂环境配置新手也能在10分钟内启动。. 1. 确认环境要求首先确保本地满足基础配置CPU ≥ 4核RAM ≥ 16GB磁盘 ≥ 50GBDocker ≥ 24.0.0 Docker Compose ≥ v2.26.1可选若需使用代码执行器需额外安装gVisor。. 2. 关键前置配置调整内存映射限制RAGFlow依赖的服务需要足够的内存映射执行以下命令检查并设置# 1. 检查当前vm.max_map_count值sysctl vm.max_map_count# 2. 若小于262144临时设置重启后失效sudo sysctl -w vm.max_map_count262144# 3. 永久设置推荐编辑/etc/sysctl.confecho vm.max_map_count262144 | sudo tee -a /etc/sysctl.conf# 生效永久配置sudo sysctl -p. 3. 克隆仓库并启动服务# 1. 克隆RAGFlow源码git clone https://github.com/infiniflow/ragflow.git# 2. 进入Docker配置目录cd ragflow/docker# 3. 启动CPU版本适合快速测试docker compose -f docker-compose.yml up -d# 若有GPU需NVIDIA Docker启动GPU加速版提升嵌入/解析速度# docker compose -f docker-compose-gpu.yml up -d. 4. 验证启动与访问# 查看服务日志确认启动成功docker logs -f ragflow-server# 成功标志出现以下输出____ ___ ______ ______ __ / __ \ / | / ____// ____// /____ _ __ / /_/ // /| | / / __ / /_ / // __ \| | /| / / / _, _// ___ |/ /_/ // __/ / // /_/ /| |/ |/ / /_/ |_|/_/ |_|\____//_/ /_/ \____/ |__/|__/ * Running on all addresses (0.0.0.0)启动成功后浏览器输入http://你的服务器IP默认端口80可省略再在service_conf.yaml.template中配置LLM API Key如OpenAI、Kimi的Key就能开始使用AI对话功能。五、进阶配置满足个性化需求对于有定制化需求的开发者RAGFlow提供多种进阶方案. 1. 选择合适的Docker镜像RAGFlow提供4类镜像可根据场景灵活选择RAGFlow镜像标签镜像大小包含嵌入模型稳定性适用场景v0.20.5≈9GB✔️稳定版生产环境无需依赖外部嵌入服务v0.20.5-slim≈2GB❌稳定版测试/开发依赖外部嵌入服务如OpenAI Embeddingsnightly≈9GB✔️开发版体验最新功能不建议生产用nightly-slim≈2GB❌开发版轻量测试最新功能切换镜像只需修改docker/.env中的RAGFLOW_IMAGE变量例如RAGFLOW_IMAGEinfiniflow/ragflow:v0.20.5. 2. 切换文档引擎从Elasticsearch到InfinityRAGFlow默认用Elasticsearch存储文本和向量若需切换到高效向量数据库Infinity步骤如下# 1. 停止并删除现有容器注意-v会清除数据需提前备份docker compose -f docker/docker-compose.yml down -v# 2. 修改docker/.env设置文档引擎为infinityecho DOC_ENGINEinfinity | sudo tee -a docker/.env# 3. 重启服务docker compose -f docker-compose.yml up -d⚠️ 注意Linux/ARM64平台暂不支持Infinity引擎。. 3. 从源码启动适合二次开发若需定制功能可从源码启动服务# 1. 安装依赖工具pipx install uv pre-commit# 2. 克隆源码并安装Python依赖git clone https://github.com/infiniflow/ragflow.gitcd ragflow/uv sync --python 3.10 --all-extras # 安装Python依赖uv run download_deps.py # 下载额外依赖pre-commit install # 安装pre-commit钩子# 3. 启动依赖服务MinIO、ES、Redis、MySQLdocker compose -f docker/docker-compose-base.yml up -d# 4. 配置hosts将服务域名解析到本地echo 127.0.0.1 es01 infinity mysql minio redis sandbox-executor-manager | sudo tee -a /etc/hosts# 5. 可选设置HF镜像无法访问HuggingFace时export HF_ENDPOINThttps://hf-mirror.com# 6. 安装jemalloc提升内存效率# Ubuntu: sudo apt-get install libjemalloc-dev# CentOS: sudo yum install jemalloc# macOS: sudo brew install jemalloc# 7. 启动后端服务source .venv/bin/activateexport PYTHONPATH$(pwd)bash docker/launch_backend_service.sh# 8. 启动前端服务cd webnpm installnpm run dev前端启动后可通过http://127.0.0.1:9222访问。六、文档与社区获取全方位支持RAGFlow提供完善的文档和活跃的社区助力开发者快速上手. 官方文档涵盖从入门到进阶的全流程指南快速开始新手入门步骤配置指南环境变量、服务配置详解用户指南文件上传、AI对话、Agent使用教程开发者指南源码结构、二次开发教程FAQs常见问题解决方案。. 社区渠道有问题或想参与贡献可通过以下渠道交流Discord实时沟通获取官方支持Twitter关注最新动态GitHub Discussions分享使用经验、讨论技术问题GitHub Issues提交bug反馈或功能需求。七、总结为什么选择RAGFlow在众多RAG工具中RAGFlow的核心优势很突出开源免费无商业许可成本可自由定制功能全面RAGAgent双核心覆盖数据解析、检索、生成、协作全链路易上手Docker一键部署无需复杂配置高适配性支持多模型、多数据源、多部署方式持续迭代活跃的开发团队频繁更新以支持最新技术如GPT-5、Kimi K2。最后为什么要学AI大模型当下⼈⼯智能市场迎来了爆发期并逐渐进⼊以⼈⼯通⽤智能AGI为主导的新时代。企业纷纷官宣“ AI ”战略为新兴技术⼈才创造丰富的就业机会⼈才缺⼝将达 400 万DeepSeek问世以来生成式AI和大模型技术爆发式增长让很多岗位重新成了炙手可热的新星岗位薪资远超很多后端岗位在程序员中稳居前列。与此同时AI与各行各业深度融合飞速发展成为炙手可热的新风口企业非常需要了解AI、懂AI、会用AI的员工纷纷开出高薪招聘AI大模型相关岗位。最近很多程序员朋友都已经学习或者准备学习 AI 大模型后台也经常会有小伙伴咨询学习路线和学习资料我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频全系列的学习资料这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】AI大模型系统学习路线在面对AI大模型开发领域的复杂与深入精准学习显得尤为重要。一份系统的技术路线图不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点还能提供一条高效、有序的学习路径。但知道是一回事做又是另一回事初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性在这基础上找到高质量的学习资源不浪费时间、不走弯路又是重中之重。AI大模型入门到实战的视频教程项目包看视频学习是一种高效、直观、灵活且富有吸引力的学习方式可以更直观地展示过程能有效提升学习兴趣和理解力是现在获取知识的重要途径光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。海量AI大模型必读的经典书籍PDF阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。600AI大模型报告实时更新这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。AI大模型面试真题答案解析我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】 【值得收藏】RAGFlow：融合RAG与Agent能力的开源神器，小白也能搭建生产级AI系统
前言随着大模型在企业落地加速“如何让LLM精准理解私有数据、避免幻觉”成为核心痛点。Retrieval-Augmented GenerationRAG技术因能连接外部知识库、提升回答可信度成为解决该问题的关键方案。而今天要介绍的RAGFlow正是一款将前沿RAG与Agent能力深度融合的开源引擎——无论是个人搭建知识库还是企业级部署它都能帮你快速将复杂数据转化为生产级AI系统。先直观体验下官方Demohttps://demo.ragflow.io感受它的文件管理、AI对话与Agent协作能力一、什么是RAGFlowRAGFlow是由infiniflow开源的企业级RAG引擎核心定位是“为LLM构建更优的上下文层”。它并非简单的“检索生成”工具而是整合了三大核心能力RAGAgent双驱动既支持精准的外部知识检索又能通过Agent模板实现自动化任务执行如技术支持、产品咨询统一上下文引擎能处理海量非结构化数据从扫描件到网页内容都能精准提取知识灵活适配性提供从个人到大型企业的全场景工作流无需从零搭建RAG链路。简言之RAGFlow要解决的是“从数据到AI应用”的全链路问题——接入数据、配置模型就能快速生成高保真的AI问答系统。二、RAGFlow核心功能直击RAG落地4大痛点RAGFlow的功能设计精准匹配开发者在实践中的难题每个特性都对应明确的业务价值. 1. 深度文档理解从“混乱数据”中抽取出精准知识传统RAG工具常栽在“非结构化数据解析”上——比如PDF扫描件的文字提取不全、Excel表格结构丢失。而RAGFlow通过自研的DeepDoc引擎能做到全格式兼容支持Word、PPT、Excel、TXT、图片、扫描件、网页等异构数据源精细信息提取不仅识别文本还能解析表格结构、图片中的文字结合OCR甚至理解PDF中的复杂排版无限token检索无需担心文件过大导致信息丢失能在海量数据中精准找到“关键信息针”。. 2. 模板化分块让“数据切割”更智能、可解释文本分块是RAG的基础分块质量直接影响检索效果。RAGFlow提供多场景模板针对报告、合同、技术文档等不同类型预置专属分块逻辑无需手动调试透明可干预分块过程可视化开发者能清晰知道数据如何拆分便于优化检索策略。. 3. 接地引用彻底告别大模型“幻觉”“回答没依据”是LLM落地的重大风险RAGFlow通过两大机制解决分块可视化干预支持查看文本分块过程避免关键信息被拆分或遗漏可追溯引用来源生成回答时附带原始文档片段每个结论都能对应到具体出处既方便验证也符合企业合规需求。. 4. 自动化RAG工作流从“配置到上线”零代码/低代码无需手动拼接“解析-分块-召回-重排序-生成”等模块RAGFlow已做好全链路封装多模型适配支持OpenAI、Kimi、Grok、DeepSeek等主流LLM与嵌入模型灵活切换智能检索策略多轮召回关键词向量结合融合重排序提升检索精度便捷集成提供直观API轻松与现有业务系统对接如客服、技术支持平台。三、2025最新更新紧跟大模型技术前沿RAGFlow的开发团队迭代非常活跃2025年以来的关键升级值得关注确保工具始终适配最新技术2025-08-08支持OpenAI最新GPT-5系列模型进一步提升生成质量2025-08-04新增对Kimi K2、Grok 4的支持模型选择更灵活2025-08-01正式支持Agentic工作流与MCP多组件协调平台可搭建多Agent协作系统如“技术支持Agent检索Subagent”2025-05-23为Agent新增Python/JavaScript代码执行器支持自动运行代码处理数据如计算、分析2025-03-19接入多模态模型可解析PDF/DOCX中的图片内容如识别图表、截图文字2024年底升级DeepDoc的文档布局分析模型提升复杂格式文件解析成功率。四、快速上手3步启动RAGFlow服务RAGFlow基于Docker部署无需复杂环境配置新手也能在10分钟内启动。. 1. 确认环境要求首先确保本地满足基础配置CPU ≥ 4核RAM ≥ 16GB磁盘 ≥ 50GBDocker ≥ 24.0.0 Docker Compose ≥ v2.26.1可选若需使用代码执行器需额外安装gVisor。. 2. 关键前置配置调整内存映射限制RAGFlow依赖的服务需要足够的内存映射执行以下命令检查并设置# 1. 检查当前vm.max_map_count值sysctl vm.max_map_count# 2. 若小于262144临时设置重启后失效sudo sysctl -w vm.max_map_count262144# 3. 永久设置推荐编辑/etc/sysctl.confecho vm.max_map_count262144 | sudo tee -a /etc/sysctl.conf# 生效永久配置sudo sysctl -p. 3. 克隆仓库并启动服务# 1. 克隆RAGFlow源码git clone https://github.com/infiniflow/ragflow.git# 2. 进入Docker配置目录cd ragflow/docker# 3. 启动CPU版本适合快速测试docker compose -f docker-compose.yml up -d# 若有GPU需NVIDIA Docker启动GPU加速版提升嵌入/解析速度# docker compose -f docker-compose-gpu.yml up -d. 4. 验证启动与访问# 查看服务日志确认启动成功docker logs -f ragflow-server# 成功标志出现以下输出____ ___ ______ ______ __ / __ \ / | / ____// ____// /____ _ __ / /_/ // /| | / / __ / /_ / // __ \| | /| / / / _, _// ___ |/ /_/ // __/ / // /_/ /| |/ |/ / /_/ |_|/_/ |_|\____//_/ /_/ \____/ |__/|__/ * Running on all addresses (0.0.0.0)启动成功后浏览器输入http://你的服务器IP默认端口80可省略再在service_conf.yaml.template中配置LLM API Key如OpenAI、Kimi的Key就能开始使用AI对话功能。五、进阶配置满足个性化需求对于有定制化需求的开发者RAGFlow提供多种进阶方案. 1. 选择合适的Docker镜像RAGFlow提供4类镜像可根据场景灵活选择RAGFlow镜像标签镜像大小包含嵌入模型稳定性适用场景v0.20.5≈9GB✔️稳定版生产环境无需依赖外部嵌入服务v0.20.5-slim≈2GB❌稳定版测试/开发依赖外部嵌入服务如OpenAI Embeddingsnightly≈9GB✔️开发版体验最新功能不建议生产用nightly-slim≈2GB❌开发版轻量测试最新功能切换镜像只需修改docker/.env中的RAGFLOW_IMAGE变量例如RAGFLOW_IMAGEinfiniflow/ragflow:v0.20.5. 2. 切换文档引擎从Elasticsearch到InfinityRAGFlow默认用Elasticsearch存储文本和向量若需切换到高效向量数据库Infinity步骤如下# 1. 停止并删除现有容器注意-v会清除数据需提前备份docker compose -f docker/docker-compose.yml down -v# 2. 修改docker/.env设置文档引擎为infinityecho DOC_ENGINEinfinity | sudo tee -a docker/.env# 3. 重启服务docker compose -f docker-compose.yml up -d⚠️ 注意Linux/ARM64平台暂不支持Infinity引擎。. 3. 从源码启动适合二次开发若需定制功能可从源码启动服务# 1. 安装依赖工具pipx install uv pre-commit# 2. 克隆源码并安装Python依赖git clone https://github.com/infiniflow/ragflow.gitcd ragflow/uv sync --python 3.10 --all-extras # 安装Python依赖uv run download_deps.py # 下载额外依赖pre-commit install # 安装pre-commit钩子# 3. 启动依赖服务MinIO、ES、Redis、MySQLdocker compose -f docker/docker-compose-base.yml up -d# 4. 配置hosts将服务域名解析到本地echo 127.0.0.1 es01 infinity mysql minio redis sandbox-executor-manager | sudo tee -a /etc/hosts# 5. 可选设置HF镜像无法访问HuggingFace时export HF_ENDPOINThttps://hf-mirror.com# 6. 安装jemalloc提升内存效率# Ubuntu: sudo apt-get install libjemalloc-dev# CentOS: sudo yum install jemalloc# macOS: sudo brew install jemalloc# 7. 启动后端服务source .venv/bin/activateexport PYTHONPATH$(pwd)bash docker/launch_backend_service.sh# 8. 启动前端服务cd webnpm installnpm run dev前端启动后可通过http://127.0.0.1:9222访问。六、文档与社区获取全方位支持RAGFlow提供完善的文档和活跃的社区助力开发者快速上手. 官方文档涵盖从入门到进阶的全流程指南快速开始新手入门步骤配置指南环境变量、服务配置详解用户指南文件上传、AI对话、Agent使用教程开发者指南源码结构、二次开发教程FAQs常见问题解决方案。. 社区渠道有问题或想参与贡献可通过以下渠道交流Discord实时沟通获取官方支持Twitter关注最新动态GitHub Discussions分享使用经验、讨论技术问题GitHub Issues提交bug反馈或功能需求。七、总结为什么选择RAGFlow在众多RAG工具中RAGFlow的核心优势很突出开源免费无商业许可成本可自由定制功能全面RAGAgent双核心覆盖数据解析、检索、生成、协作全链路易上手Docker一键部署无需复杂配置高适配性支持多模型、多数据源、多部署方式持续迭代活跃的开发团队频繁更新以支持最新技术如GPT-5、Kimi K2。最后为什么要学AI大模型当下⼈⼯智能市场迎来了爆发期并逐渐进⼊以⼈⼯通⽤智能AGI为主导的新时代。企业纷纷官宣“ AI ”战略为新兴技术⼈才创造丰富的就业机会⼈才缺⼝将达 400 万DeepSeek问世以来生成式AI和大模型技术爆发式增长让很多岗位重新成了炙手可热的新星岗位薪资远超很多后端岗位在程序员中稳居前列。与此同时AI与各行各业深度融合飞速发展成为炙手可热的新风口企业非常需要了解AI、懂AI、会用AI的员工纷纷开出高薪招聘AI大模型相关岗位。最近很多程序员朋友都已经学习或者准备学习 AI 大模型后台也经常会有小伙伴咨询学习路线和学习资料我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频全系列的学习资料这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】AI大模型系统学习路线在面对AI大模型开发领域的复杂与深入精准学习显得尤为重要。一份系统的技术路线图不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点还能提供一条高效、有序的学习路径。但知道是一回事做又是另一回事初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性在这基础上找到高质量的学习资源不浪费时间、不走弯路又是重中之重。AI大模型入门到实战的视频教程项目包看视频学习是一种高效、直观、灵活且富有吸引力的学习方式可以更直观地展示过程能有效提升学习兴趣和理解力是现在获取知识的重要途径光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。海量AI大模型必读的经典书籍PDF阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。600AI大模型报告实时更新这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。AI大模型面试真题答案解析我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】