RAGFlow：87.9k stars 的开源 RAG+Agent 引擎，把 "深文档理解" 做成生产级底座

发表于 2026-08-14 分类于开源项目， AI Agent ， RAG

infiniflow/ragflow 是当下 GitHub 上最活跃的开源 RAG 引擎之一（87.9k stars、当日新增 465 stars），主打"基于深度文档理解的非结构化数据抽取 + 可信引用 + 多模态 Agent 编排"，让企业能把 PDF/扫描件/表格/网页一键转成可生产部署的 Agent 知识库。

一个每天都遇到的问题：扔给 LLM 的 PDF，为什么” 喂不进去”？

如果你做过企业知识库、客服机器人或者法务 / 医疗问答，一定会反复撞到同一面墙：

客户发来一个 200 页的产品手册 PDF，里面有正文、表格、图片、二维码、页眉页脚、章节标题、附录…… 你塞给 GPT，” 请总结一下第 3 章的退货政策”。模型要么答得含混，要么一本正经地胡说。
财务让 AI “从这堆扫描件里找出所有超过 50 万的付款凭证”。OCR 文本明明抽出来了，但表格行列一乱，模型就把” 借方” 当” 贷方” 读了。
法务让 AI “对比新旧两版合同第 7 条的差异”。两份都是 Word 转 PDF，章节序号还不一样，模型给的对比表跟原文对不上。

这些都是典型的” 非结构化数据 + 复杂版式” 场景。传统做法是先 OCR、再切块、再向量化、最后丢给 LLM。但问题就出在” 切块”—— 把整段 PDF 文本按固定长度一刀切，等于把一份有结构、有上下文、有图注的法律合同当成一篇散文去检索，模型当然找不到”needle in haystack”。

我们今天要聊的项目，就是冲着这个” 切块不智能” 的核心痛点来的：RAGFlow。

项目背景：RAG 2.0 的开源答案

项目名称：RAGFlow
GitHub 地址：github.com/infiniflow/ragflow
一句话简介：领先的开源 RAG 引擎，把” 深度文档理解” 和”Agent 能力” 融合在一起，为 LLM 提供可生产的上下文层。
当前数据：87.9k+ stars，当日新增 465 stars，Go + TypeScript 实现，长期保持高活跃度。

RAGFlow 由 infiniflow 团队开源，定位是”Enterprise-ready RAG engine”。它不只是又一个 LangChain wrapper 或者向量数据库 UI，而是一套端到端的 RAG 工作流：

文档解析：支持 PDF、Word、Excel、PPT、图片、扫描件、网页等十几种格式；
智能切片：基于 ** 模板（Template-based chunking）** 和深度文档理解，按版式结构切分，保留标题、表格、图注的语义；
检索层：内置可配置的全文检索 + 向量检索混合；
答案生成：所有回答都带来源引用（citation），点一下能跳回原文段落；
Agent 层：内置工作流（Workflow）和 Agentic 双模式，可画布编排多步骤任务。

和市面上常见 RAG 工具相比，RAGFlow 的差异化是 “Quality in, quality out”—— 它把” 文档解析质量” 当成一等公民，而不是只关心向量检索效果。

核心功能：五个真正能用的亮点

1. 基于深度文档理解的非结构化数据抽取

这是 RAGFlow 的看家本领。普通 RAG 用的是 PyPDF 抽文本，对扫描件、表格、双栏排版无能为力。RAGFlow 内置了 OCR + 版式分析（layout analysis）模型，能识别：

文本块、表格、图、公式、页眉页脚；
阅读顺序（多栏、跨页表格、图片环绕）；
章节标题层级（一级标题、二级标题、列表项）。

换句话说，丢给它一份带图表的研究报告，它能告诉你” 第 5 页那张柱状图说的是 2024 Q3 营收下降 12%”，而不是干巴巴一段被切碎的字符串。

2. Template-based chunking（模板化切片）

这是 RAGFlow 最被低估的特性。你可以为同一类文档（合同、发票、论文、API 文档）定义一个切片模板，告诉 RAGFlow：” 合同时按’条款 - 子条款’切”、”API 文档按’接口 - 参数 - 返回’切”。

好处是：

检索时召回的片段天然是” 语义完整” 的，不会出现” 半句话” 作为答案依据；
LLM 看到的上下文是结构化的，可以基于结构做 reasoning（比如” 对比两份合同的’违约责任’章节”）。

对比传统 fixed-length chunking，模板切片在专业领域的准确率提升非常明显。

3. 可信引用（Citation-backed answers）

RAGFlow 强制要求每条答案附带引用来源，包括文档名、页码、原文片段。这对生产环境至关重要：

合规场景下用户可以” 一键核查”AI 的回答是否真的来自原始资料；
减少 hallucination，因为答案生成时 RAGFlow 会把引用片段作为强约束；
支持” 可解释 AI”—— 可以把引用图谱可视化出来，回答问题的推理链路一目了然。

4. 混合检索（全文 + 向量）+ 灵活配置

RAGFlow 默认走 hybrid search（BM25 全文 + 向量相似度），支持：

多种 rerank 模型（bge-reranker、Cohere、BGE 等）；
多种 embedding 模型（bge-large-zh、bge-m3、text-embedding-3 等）；
Elasticsearch / Infinity 作为底层存储后端，开箱即用；
可配置的权重、top-k、过滤器。

对中文场景特别友好，自带中文 tokenizer 和中文 embedding 选项。

5. Agent + Workflow 双模式编排

2026 年的 RAG 已经不够” 问答”，得能” 干活”。RAGFlow 内置：

Workflow 模式：画布式编排，适合做固定流程（” 先检索 → 再总结 → 再翻译 → 再写入飞书”）；
Agentic 模式：让 LLM 自己决定调用哪个工具 / 检索哪个数据集，适合开放式任务；
预置 Agent 模板：Deep Research、报表分析、客服助理等可直接复用；
代码执行 + 多模态检索：Agent 可以写代码、处理图片、调用外部 API。

这让它从” 问答系统” 升级成了”AI 员工”—— 你可以让它自动读完 50 篇行业研报，输出一份带引用的竞争分析。

实战示例：5 分钟搭一个” 产品手册问答机器人”

下面是 RAGFlow 的最小启动流程，假设你要做一个内部” 产品手册问答机器人”。

步骤 1：拉取镜像并启动

RAGFlow 官方推荐 Docker Compose 一键启动：

# 克隆仓库
git clone https://github.com/infiniflow/ragflow.git
cd ragflow

# 启动（需要 Docker + 至少 4GB 内存）
docker compose -f docker/docker-compose.yml up -d

启动后访问 http://localhost:9380，第一次会让你注册管理员账号。

步骤 2：配置模型供应商

进入 Settings → Model Providers，填上你的 LLM API（OpenAI、DeepSeek、通义千问、月之暗面都支持）。建议同时配：

Chat 模型：用于回答生成（推荐 GPT-4o、DeepSeek-V3）；
Embedding 模型：用于向量化（中文推荐 bge-large-zh-v1.5 或 bge-m3）；
Rerank 模型：用于精排（可选，但能显著提升效果）。

步骤 3：创建知识库并上传文档

Knowledge Base → Create → 名称: "产品手册"
  └─ Chunk method: Table (推荐结构化文档)
  └─ Embedding model: bge-m3
  └─ Parser: 自带 OCR（处理扫描件）

上传 PDF/Word/Excel 即可，RAGFlow 会自动：

解析版式（识别标题、表格、图片）；
按模板切片（按章节切，或按 N tokens 切，二选一）；
调用 embedding 模型向量化；
写入 Elasticsearch / Infinity。

完成后它会告诉你切成了多少个 chunk，覆盖了哪些页。

步骤 4：开一个 Agent 对话

进入 Agent → New Agent，选择 “Chat Agent”：

System Prompt:
  你是一名产品手册助手，回答时必须引用原文，给出文档名 + 页码 + 原文片段。
  如果用户问题不在手册里，明确说"手册中未提及"。

Tools:
  - knowledge_base_search(产品手册, top_k=5)
  - web_search (可选，用于补充外部信息)

保存后即可在前端问：” 手册第几页提到过保修期？”——RAGFlow 会把答案和原文高亮一起返回。

步骤 5（可选）：用 API 集成到业务系统

RAGFlow 提供 REST API：

# 对话接口
curl -X POST http://localhost:9380/api/v1/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "your-agent-id",
    "messages": [{"role":"user","content":"手册第几页提到过保修期？"}],
    "stream": true
  }'

返回的 JSON 里每条答案都带 reference 字段（chunk_id、文档名、页码、原文），前端可以直接渲染成” 带引用的回答卡片”。

适用场景与限制

当前限制

硬件要求不低：默认需要至少 4GB 内存 + GPU 可选（OCR 模型吃显存）；
学习曲线：相比纯向量数据库（如 Chroma），RAGFlow 的概念更多（chunk template、agent、parser），上手需要 1-2 天；
文档量大时解析慢：1000+ PDF 初次入库需要排队，适合离线批处理；
英文效果 > 中文效果（虽然已经做了大量中文优化，但部分场景下仍有差距）；
生态相对封闭：RAGFlow 没有像 LangChain 那样庞大的 connector 生态，外部工具集成需要自己包装。

总结

RAGFlow 不是又一个” 向量数据库 + LangChain Wrapper”，而是一套为生产环境设计的 RAG 操作系统。它把” 文档理解” 和” 答案可信度” 当作一等公民，让企业真正能把非结构化数据变成 LLM 可消费的上下文层。

如果你的痛点是” 扔给 LLM 的文档喂不进去” 或者”AI 回答不可信”—— 而不是” 我想试试向量检索”——RAGFlow 几乎是你在 2026 年能找到的最完整的开源答案。

相比同类的 Dify、Haystack、Verba，RAGFlow 的差异化是：深度文档解析 + 模板切片 + 强制引用。这三件事 Dify 也做，但 Dify 的强项是 workflow 编排，文档理解是 RAGFlow 的核心壁垒。

未来值得关注的演进方向：

多模态 Agent：文档里的图、表、视频片段也能成为检索对象；
更轻量的部署：边缘设备 + 量化模型，让小团队也能跑；
更深的 Workflow / Agent 融合：用一个画布同时编排 RAG 和 Agentic 任务。

有兴趣的话，下一篇我会拆解 RAGFlow 的 Deep Research 模板和它的多 Agent 协同机制，敬请期待。