📌 项目地址：infiniflow/ragflow | ⭐ 87,470 颗星 | 🔧 Go | 📜 未标注
RAG 项目常见的死法
很多 RAG 项目最后沦为”能跑但没法用”的演示品，问题通常出在三个环节：
- 解析环节：PDF 转文本时丢排版、丢表格、丢图片信息，后续检索再强也无法找回源头已经丢失的数据。
- 分块环节：固定窗口切分把完整语义切碎，检索出来的片段缺少上下文，LLM 只能”盲人摸象”。
- 引用环节：生成结果没有按来源标注，用户无法核实，幻觉问题被放大而不是被抑制。
RAGFlow 的官方定位是”融合 RAG 与 Agent 能力的开源 RAG 引擎”，它的核心思路不是把文档切碎了喂给向量数据库，而是把”理解文档”和”组织上下文”做成一层独立的基础设施。
它实际解决了什么
文档理解层：不把 PDF 当纯文本处理
RAGFlow 内置的 DeepDoc 做的是”深度文档理解”，专门处理非结构化数据里的复杂格式。它能把 PDF、DOCX 里的版面结构、表格、图片识别出来，而不是粗暴地把整页文字抽出来。2025 年 3 月的更新还加入了对多模态模型的支持，可以直接让视觉模型理解 PDF 或 DOCX 中的图像内容。
这意味着像”扫描版财报里的利润率表格”这类任务，RAGFlow 的解析链路是：版面分析 → 表格识别 → 多模态理解 → 结构化输出，而不是 OCR 文本 + 向量化。
分块环节：模板化，而不是拍脑袋定 chunk size
RAGFlow 提供了”基于模板的分块”，并且强调”可解释”。你可以针对不同类型的文档选择不同的分块策略，而不是对所有文件统一用 512 token 硬切。分块结果可视化，允许人工介入调整。
引用环节：答案必须能溯源
生成结果附带引用来源，并且直接可视化展示”这段答案来自文档的哪个部分”。这是一个已经被反复验证有效的幻觉抑制手段：当模型知道自己的答案会被追溯到具体段落时，编造的成本会高得多。
怎么用起来
项目提供了云服务，直接访问 https://cloud.ragflow.io 即可体验，适合先验证效果再决定是否部署。
自托管方面，README 说明了支持 Docker 部署、源码启动两种方式，但没有在 README 中给出具体的 docker run 或 docker-compose 命令，具体的部署步骤需要参照官方文档（cloud.ragflow.io 的 Documentation 入口可以找到完整指南）。
如果你想通过 API 把 RAGFlow 集成到自己的产品中，README 提到它支持通过 OpenClaw 的官方 skill 访问 RAGFlow 数据集，也支持 MCP（Model Context Protocol），这意味着它可以作为 Agent 的工具层直接接入。
和同类工具的区别
RAGFlow 的关键差异不在”有没有做 RAG”，而在架构层面的取舍：
- 多数 RAG 框架是”流程编排器”：提供加载器、切块器、向量库、检索器这些积木，让你自己拼装。拼出来的效果取决于你的调试水平。
- RAGFlow 是”完整的 RAG 系统”：从文档解析到引用溯源是一条闭环链路，内置的 DeepDoc 就是专门为 RAG 场景训练的文档理解模型，而不是拿通用 OCR 凑合。
另一个差异是 Agent 能力不是外挂，而是内建。2025 年 8 月加入的 agentic workflow 和 MCP 支持，加上 2026 年持续更新的多聊天渠道（飞书、Discord、Telegram、Line）和 AI Agent 记忆能力，说明它的演进方向不是”更好的文档问答工具”，而是”LLM 的上下文基础设施”——RAG 只是这个基础设施的其中一种实现方式。
值得注意的点
- 硬件门槛：DeepDoc 文档理解模型和后续的多模态解析都是在本地跑的，如果文档量大，需要规划 GPU 资源。纯 CPU 环境下解析复杂 PDF 的延迟会很明显。
- 模型依赖：RAGFlow 本身不提供 LLM，你需要对接外部的大模型服务。README 显示它持续跟进新模型（DeepSeek v4、Gemini 3 Pro、GPT-5 系列），但这也意味着你的 RAG 效果上限取决于所选模型的推理能力。
- 配置复杂度：完整的 RAGFlow 部署涉及文档解析服务、向量数据库、LLM 接入、Agent 编排等多个组件，它比一个 Python 库要重得多。如果你只需要”给一个 100 页的 PDF 做问答”，用一个轻量框架可能更合适；但如果你要做的是”持续从多种数据源同步、清洗、理解、检索、并支撑多个 Agent 应用”，RAGFlow 才真正发挥价值。
- 许可证：README 未明确标注开源协议，如计划商用需自行前往仓库核实。
项目活跃度
从 README 的更新记录看，这个项目的迭代节奏非常快：2025 年 5 月加入代码执行器，8 月支持 Agent 工作流和 MCP，10 月支持 MinerU 和 Docling 作为解析方案，11 月支持从 Confluence、S3、Notion、Discord、Google Drive 同步数据。2026 年又继续加入了多个聊天渠道。87000+ Star 说明它已经过了早期验证阶段，处于被大量生产环境使用和反馈驱动的良性循环中。
如果你正在做 RAG 选型，并且被”解析质量差、引用不可信、难以融入 Agent 工作流”这三个问题困扰，RAGFlow 值得认真跑一遍测试——先用云服务跑通流程，再决定要不要自己部署。