应用搭建上手难度 🧪 硬核#RAG#文档解析#知识库#国产开源

RAGFlow · 深度文档理解的开源 RAG 引擎

以「解析复杂文档」见长的 RAG 引擎,PDF/表格/扫描件还原度极高

90k stars 11k forks 365 1554Go Apache-2.0 最近提交 2026-09-09本周 +34 ⭐ 官网 / 文档 在 GitHub 查看源码
🟢 活跃维护✅ 商用友好协议agent-harnessagentic-aiagentic-retrievalagentic-search

5 分钟上手

无需 GPU,但硬性 4核16GB 内存 + 50GB 磁盘起步
git clone https://github.com/infiniflow/ragflow
cd ragflow/docker
docker compose -f docker-compose.yml up -d
# 打开 http://localhost 注册管理员

项目速览

RAGFlow 由英飞流(InfiniFlow)开源,核心卖点是深度文档理解:自研文档解析引擎能把复杂排版 PDF、表格、扫描件还原成结构化内容,从源头解决「RAG 答非所问」的文档切分问题。

能做什么

  • 复杂版式文档解析(模板化分块),可视化调整切片结果
  • 混合检索 + 重排序,答案带原文引用坐标
  • 内置 Agent 工作流与多种推理模型接入

怎么部署

Docker Compose 部署(4C16G 起步)。轻量场景可先试 AnythingLLM;原理学习见 进阶 RAG 系统教程。

适合谁

被「长 PDF/表格问答」折磨的文档密集型团队:金融、法律、制造、学术。

✅ 优点

  • •DeepDoc 版面解析是核心壁垒,复杂 PDF 还原度开源最高
  • •分块可视化可人工干预,检索质量调优工具全
  • •答案带原文引用坐标,可信度好

⚠️ 局限与坑

  • •资源要求全场最狠(4核16GB 起步),小机器跑不动
  • •解析管线重,文档吞吐速度偏慢
  • •仅 Linux/WSL2,组件多排错复杂

💼 典型应用场景

  • 1.扫描件/复杂表格 PDF 问答(法律合同、财报)
  • 2.论文库批量入库做学术检索
  • 3.对答案溯源要求高的合规场景

不想部署?试试同类在线工具

返回全部开源项目指标每周自动更新,数据来自 GitHub API · 最近同步 2026-09-09