RAGFlow：81.1k Star 开源 RAG 引擎，AI 时代的"最强外脑"
标签: RAG / 开源 / LLM / 文档解析 / AI应用 / RAGFlow
原文: 微信公众号「开源那些事儿」https://mp.weixin.qq.com/s/-5KN_KUo4G9TZVPts6GzMQ
GitHub: https://github.com/infiniflow/ragflow
核心亮点
RAGFlow —— 来自 InfiniFlow 团队（Milvus 向量数据库原班人马）的开源 RAG 引擎，81.1k Star，专注解决 RAG 最底层的问题：文档解析。
口号：Quality in, quality out（高质量输入，高质量输出）。
它解决了什么问题？
市面上 RAG 工具的痛点
大多数 RAG 工具的通病：重编排，轻效果。
大家都在拼工作流画布好不好看，却没人解决最底层的问题——文档解析。
如果连 PDF 里的表格都识别不准，后续的大模型再强也是白搭。
这就是典型的 Garbage In, Garbage Out（垃圾进，垃圾出）。
RAGFlow 的切入点是：先把文档解析做对，再谈 RAG。
核心能力
1. DeepDoc —— 深度文档理解（杀手锏）
普通的 RAG 工具拿到文档可能随便撕几页就存起来了。
RAGFlow 的做法是：
- 用视觉模型去"看"文档结构（不只是 OCR 识别文字）
- 精准区分：标题、正文、表格、图片
- 能看懂跨页的复杂表格
- 保证喂给 AI 的数据，逻辑是完整的
2. 可视化切片
- 支持多种模板：论文、简历、手册等
- 可视化地调整文本块的大小和逻辑
- 确保语义不被切断
- 回答问题时一定带引用出处，可直接跳转原文
- 再也不怕 AI "幻觉"满天飞
Agentic RAG：现在的玩法
RAGFlow 已经进化到 Agentic RAG 阶段，不只是问答：
| 能力 | 说明 |
|---|---|
| 代码解释器 | 直接执行代码分析数据 |
| SQL 执行 | 连接数据库查询 |
| 多 Agent 协作 | 编排多个 Agent 协同工作 |
| 复杂工作流 | 智能决策的大脑 |
使用场景
企业级"Copilot"
| 行业 | 场景 |
|---|---|
| 法律 | 分析卷宗，自动提取证据链 |
| 制造业 | 查设备维修手册，"这机器报错代码是啥意思" |
| 金融 | 分析研报、合同，提取关键条款 |
| 政务 | 私有化部署，数据不出域 |
私有化部署
对于金融、政务等对数据极度敏感的行业：
- 完全跑在内网
- 数据不出域，安全感拉满
RAGFlow vs Dify：怎么选？
很多朋友纠结选哪个，其实定位不太一样：
| 维度 | RAGFlow | Dify |
|---|---|---|
| 定位 | 后端/引擎 | 前端/应用 |
| 强项 | 文档处理专家 | 工作流编排、站点发布 |
| 适合数据 | 扫描件、复杂 PDF、Excel | 干净的 Markdown 文本 |
| 核心能力 | 把"乱七八糟"的数据洗干净 | 快速搭建 ChatBot 界面 |
| 典型用户 | 对答案准确性有极致要求 | 想快速上线应用 |
我的建议
如果你追求极致的 RAG 效果，完全可以把 RAGFlow 当作文档处理引擎，把处理好的知识库通过 API 喂给 Dify 或其他前端应用，强强联合！
技术背景
RAGFlow 背后的团队 InfiniFlow：
- 在搜索引擎和数据库领域深耕十多年
- 之前搞过著名的开源向量数据库 Milvus
- 2024 年 4 月 1 日开源 RAGFlow（愚人节，但他们是认真的）
快速体验
# 克隆项目
git clone https://github.com/infiniflow/ragflow.git
cd ragflow
# 启动（Docker Compose）
docker compose -f docker/docker-compose.yml up -d
访问 http://localhost:9380 即可进入系统。
写在最后
RAGFlow 81.1k 的 Star 不是白拿的。
如果你：
- 受够了大模型读不懂复杂 PDF
- 手里的资料是扫描件、复杂表格
- 对答案的准确性和溯源有极致要求
去 GitHub 上 Clone 下来试试，绝对是打开新世界的大门。
GitHub: https://github.com/infiniflow/ragflow
团队: InfiniFlow（Milvus 原班人马）
开源协议: Apache 2.0