核心功能
RAGFlow 由 InfiniFlow 开源，核心是 DeepDoc 深度文档理解模块，能从 PDF、扫描件、表格等复杂版式里抽出可检索内容。它提供多套模板化分块策略，切片结果可视化且允许人工修改，回答附带可追溯引用以降低幻觉。用 Docker Compose 自托管，默认 80 端口访问。
功能亮点
版式解析
对扫描件、表格和幻灯片做版面识别，把复杂 PDF 还原成可检索文本
切片可视
在 Chunk 页逐条查看切片快照，双击补关键词或直接改写内容
引用溯源
答案中标注来源片段，可点开核对原文位置判断结论是否可信
检索测试
上线前用 Test text 试问，验证嵌入模型与分块模板的召回效果
自定义模型 / 模型接入
多厂商支持
官方清单收录50余家，含通义千问、DeepSeek、智谱AI、腾讯混元、火山引擎；清单外选OpenAI-API-Compatible填Base URL。
接入方式
- User settings→Model providers选供应商，建实例
- 实例中填API Key与Base URL，网关或本地模型填实际地址
- 点Add custom model加模型，名称须与厂商模型ID一致
- 本地部署可绑定Ollama、Xinference、LocalAI、VLLM
- Set default models里设Default LLM与embedding
支持模型
通义千问DeepSeek智谱AI腾讯混元火山引擎Moonshot硅基流动Ollama
bash
接入OpenAI兼容端点（以DeepSeek为例） 进入 User settings → Model providers 在Available models中选择OpenAI-API-Compatible 填写实例名称并保存，再填连接信息 API Key: <your-key> Base URL: https://api.deepseek.com/v1 通过连接校验后点Add custom model Model name: deepseek-chat（须与厂商API的模型ID一致） 选模型类型、填Max tokens，支持工具调用则开启Tool call 最后在Set default models中把Default LLM设为该模型
适用场景
• 扫描件与复杂 PDF 的知识库问答
• 合同、标书等强版式文档检索
• 需要引用溯源的合规问答场景
• 对切片质量要求高的私有知识库
安装配置
bash
# 前置：CPU >= 4 核（x86），RAM >= 16 GB，磁盘 >= 50 GB，Docker >= 24.0.0 sysctl vm.max_map_count # 必须 >= 262144 sudo sysctl -w vm.max_map_count=262144 # 永久生效请写入 /etc/sysctl.conf git clone https://github.com/infiniflow/ragflow.git cd ragflow/docker git checkout -f v0.26.4 docker compose -f docker-compose.yml up -d docker logs -f docker-ragflow-cpu-1 # 出现 RAGFLOW ASCII 字样即启动成功
使用方法
bash
1) 日志出现 Running on all addresses (0.0.0.0) 后，浏览器访问 http://IP_OF_YOUR_MACHINE（默认 80 端口可省略） 2) 右上角头像 > Model providers 填入 LLM API Key，再在 System Model Settings 指定 Chat / Embedding / Image-to-text 模型 3) Dataset > Create dataset，选定嵌入模型与分块模板（模板一旦解析过文件，嵌入模型不可再改） 4) Add file > Local files 上传 PDF、DOCX、XLSX、图片等，点播放按钮开始解析 5) 在 Chunk 页核对切片并用 Retrieval testing 试检索，最后 Chat > Create chat 绑定数据集开始问答
优点
- DeepDoc 针对复杂版式与扫描件做解析，比通用文本切分更贴近真实文档
- 切片结果可视化并支持人工改写、补关键词，检索质量能持续调优
- 回答附带可点击的引用片段，方便核对来源
- 仓库采用 Apache-2.0 许可，自托管没有附加商用条款
缺点
- 官方前置要求 CPU >= 4 核、内存 >= 16 GB、磁盘 >= 50 GB，普通个人机器难以承载
- 启动前必须把 vm.max_map_count 调到 262144，否则检索存储起不来
- 官方只维护 x86 镜像，ARM64 平台需要按文档自行构建镜像
- v0.22.0 起只发布 slim 镜像（约 2 GB），不再内置嵌入模型，必须外接 LLM 与 Embedding 服务
- 镜像解压后约占 7 GB 磁盘，加上索引数据后空间消耗明显