## 📖 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！
