文档 | 路线图 | Twitter | Discord | 演示

📕 目录

• 💡 什么是RAGFlow？
• 🎮 演示
• 📌 最新动态
• 🌟 核心功能
• 🔎 系统架构
• 🎬 快速入门
• 🔧 配置
• 🔧 构建Docker镜像
• 🔨 从源码启动服务进行开发
• 📚 文档
• 📜 路线图
• 🏄 社区
• 🙌 贡献

💡 什么是RAGFlow？

RAGFlow 是一款领先的开源检索增强生成（RAG)引擎，它将前沿的RAG技术与智能体能力相结合，为大语言模型打造卓越的上下文层。RAGFlow提供了一套可扩展的RAG工作流，适用于各种规模的企业。凭借融合的上下文引擎和预构建的智能体模板，RAGFlow使开发者能够以极高的效率和精准度，将复杂数据转化为高保真、可投入生产的AI系统。

🎮 演示

请访问 https://cloud.ragflow.io 体验我们的演示。

🔥 最新动态

• 2026年3月24日 RAGFlow技能上线OpenClaw — 提供官方技能，可通过OpenClaw访问RAGFlow数据集。
• 2025年12月26日 支持AI智能体的“记忆”功能。
• 2025年11月19日 支持Gemini 3 Pro。
• 2025年11月12日 支持从Confluence、S3、Notion、Discord、Google Drive同步数据。
• 2025年10月23日 支持MinerU和Docling作为文档解析方法。
• 2025年10月15日 支持可编排的数据摄取管道。
• 2025年8月8日 支持OpenAI最新的GPT-5系列模型。
• 2025年8月1日 支持智能体工作流和MCP。
• 2025年5月23日 为智能体新增Python/JavaScript代码执行组件。
• 2025年5月5日 支持跨语言查询。
• 2025年3月19日 支持使用多模态模型理解PDF或DOCX文件中的图像。

🎉 敬请期待

⭐️ 请给我们的仓库点个星，以便及时获取激动人心的新功能和改进！您将立即收到新版本发布的通知！🌟

🌟 核心功能

🍭 “高质量输入，高质量输出”

• 基于深度文档理解，从格式复杂的非结构化数据中提取知识。
• 能够在字数几乎不受限制的数据中精准定位所需信息。

🍱 基于模板的分块处理

• 智能且可解释。
• 提供多种模板选项供选择。

🌱 基于证据的引用，减少幻觉

• 文本分块可视化，便于人工干预。
• 快速查看关键参考文献，并可追溯引用来源，确保答案有据可依。

🍔 兼容多种异构数据源

• 支持Word、PPT、Excel、TXT、图片、扫描件、结构化数据、网页等多种格式。

🛀 自动化且无负担的 RAG 工作流

• 精简高效的 RAG 编排，适用于个人与大型企业。
• 可配置的语言模型及嵌入模型。
• 多种召回策略结合融合重排序。
• 直观的 API，便于与业务系统无缝集成。

🔎 系统架构

🎬 开始使用

📝 前置条件

• CPU ≥ 4 核
• 内存 ≥ 16 GB
• 磁盘空间 ≥ 50 GB
• Docker ≥ 24.0.0 & Docker Compose ≥ v2.26.1
• gVisor：仅在您计划使用 RAGFlow 的代码执行器（沙箱）功能时需要安装。

[!TIP] 如果您的本地机器尚未安装 Docker（Windows、Mac 或 Linux），请参阅 安装 Docker Engine。

🚀 启动服务器

1. 确保 vm.max_map_count ≥ 262144：

   检查 vm.max_map_count 的值：

   $ sysctl vm.max_map_count
   

   如果该值不足，则将其重置为至少 262144：

   # 在此例中，我们将其设置为 262144：
   $ sudo sysctl -w vm.max_map_count=262144
   

   此更改在系统重启后会失效。为使更改永久生效，请在 /etc/sysctl.conf 中添加或更新以下内容：

   vm.max_map_count=262144
   

2. 克隆仓库：

   $ git clone https://github.com/infiniflow/ragflow.git
   

3. 使用预构建的 Docker 镜像启动服务器：

[!CAUTION] 所有 Docker 镜像均基于 x86 平台构建。目前我们尚未提供 ARM64 平台的 Docker 镜像。 如果您使用的是 ARM64 平台，请按照 此指南 构建与您的系统兼容的 Docker 镜像。

下述命令将下载 RAGFlow 的 v0.24.0 版本镜像。不同版本的说明见下表。如需下载非 v0.24.0 版本的 RAGFlow，请在使用 docker compose 启动服务器前，相应地更新 docker/.env 文件中的 RAGFLOW_IMAGE 变量。

   $ cd ragflow/docker

   # 切换至 v0.24.0 分支
   # （可选：使用稳定标签，详见发布页面：https://github.com/infiniflow/ragflow/releases）
   # 此步骤确保代码中的 `entrypoint.sh` 文件与 Docker 镜像版本一致。

   # 使用 CPU 处理 DeepDoc 任务：
   $ docker compose -f docker-compose.yml up -d

   # 如需使用 GPU 加速 DeepDoc 任务：
   # sed -i '1i DEVICE=gpu' .env
   # docker compose -f docker-compose.yml up -d

注意：在 v0.22.0 之前，我们同时提供了包含嵌入模型的完整镜像和不含嵌入模型的精简版镜像，具体如下：

RAGFlow 镜像标签	镜像大小 (GB)	是否包含嵌入模型	是否稳定？
v0.21.1	≈9	✔️	稳定版
v0.21.1-slim	≈2	❌	稳定版

自 v0.22.0 起，我们仅提供精简版镜像，并取消了镜像标签中的 -slim 后缀。

4. 服务器启动后，检查运行状态：

   $ docker logs -f docker-ragflow-cpu-1
   

   以下输出表明系统已成功启动：

   
         ____   ___    ______ ______ __
        / __ \ /   |  / ____// ____// /____  _      __
       / /_/ // /| | / / __ / /_   / // __ \| | /| / /
      / _, _// ___ |/ /_/ // __/  / // /_/ /| |/ |/ /
     /_/ |_|/_/  |_|\____//_/    /_/ \____/ |__/|__/
   
    * Running on all addresses (0.0.0.0)
   

   如果跳过此确认步骤直接登录 RAGFlow，浏览器可能会提示 network abnormal 错误，因为此时 RAGFlow 可能尚未完全初始化。

5. 在您的浏览器中输入服务器的 IP 地址，登录 RAGFlow。

   在默认配置下，您只需输入 http://IP_OF_YOUR_MACHINE 即可，因为默认的 HTTP 服务端口 80 在使用默认配置时可以省略。

6. 在 service_conf.yaml.template 中，在 user_default_llm 中选择所需的语言模型工厂，并在 API_KEY 字段中填写相应的 API 密钥。

   更多信息请参阅 llm_api_key_setup。

   演出正式开始！

🔧 配置说明

在系统配置方面，您需要管理以下文件：

• .env：保存系统的基础设置，例如 SVR_HTTP_PORT、MYSQL_PASSWORD 和 MINIO_PASSWORD。
• service_conf.yaml.template：用于配置后端服务。该文件中的环境变量将在 Docker 容器启动时自动填充。容器内设置的任何环境变量均可使用，从而允许您根据部署环境自定义服务行为。
• docker-compose.yml：系统依赖于 docker-compose.yml 来启动。

./docker/README 文件详细介绍了环境设置和服务配置，这些内容可用作 service_conf.yaml.template 文件中的 ${ENV_VARS}。

如需更改默认的 HTTP 服务端口（80），请前往 docker-compose.yml 将 80:80 修改为 <YOUR_SERVING_PORT>:80。

上述配置的更新需要重启所有容器才能生效：

$ docker compose -f docker-compose.yml up -d

将文档引擎从 Elasticsearch 切换至 Infinity

RAGFlow 默认使用 Elasticsearch 存储全文和向量数据。如需切换至 Infinity，请按以下步骤操作：

1. 停止所有正在运行的容器：

   $ docker compose -f docker/docker-compose.yml down -v
   

[!WARNING] -v 选项会删除 Docker 容器卷，现有数据将被清空。

2. 将 docker/.env 文件中的 DOC_ENGINE 设置为 infinity。

3. 启动容器：

   $ docker compose -f docker-compose.yml up -d
   

[!WARNING] 目前尚未正式支持在 Linux/arm64 机器上切换至 Infinity。

🔧 构建 Docker 镜像

该镜像大小约为 2 GB，依赖外部的 LLM 和嵌入服务。

git clone https://github.com/infiniflow/ragflow.git
cd ragflow/
docker build --platform linux/amd64 -f Dockerfile -t infiniflow/ragflow:nightly .

或者，如果您在代理后面，可以传递代理参数：

docker build --platform linux/amd64 \
  --build-arg http_proxy=http://YOUR_PROXY:PORT \
  --build-arg https_proxy=http://YOUR_PROXY:PORT \
  -f Dockerfile -t infiniflow/ragflow:nightly .

🔨 从源码启动服务以进行开发

1. 安装 uv 和 pre-commit，如果已安装则可跳过此步骤：

   pipx install uv pre-commit
   

2. 克隆源代码并安装 Python 依赖项：

   git clone https://github.com/infiniflow/ragflow.git
   cd ragflow/
   uv sync --python 3.12 # 安装 RAGFlow 所需的 Python 模块
   uv run download_deps.py
   pre-commit install
   

3. 使用 Docker Compose 启动依赖的服务（MinIO、Elasticsearch、Redis 和 MySQL）：

   docker compose -f docker/docker-compose-base.yml up -d
   

   将以下内容添加到 /etc/hosts 文件中，以便将 docker/.env 中指定的所有主机解析为 127.0.0.1：

   127.0.0.1       es01 infinity mysql minio redis sandbox-executor-manager
   

4. 如果无法访问 HuggingFace，请设置 HF_ENDPOINT 环境变量以使用镜像站点：

   export HF_ENDPOINT=https://hf-mirror.com
   

5. 如果您的操作系统没有 jemalloc，请按如下方式安装：

   # Ubuntu
   sudo apt-get install libjemalloc-dev
   # CentOS
   sudo yum install jemalloc
   # OpenSUSE
   sudo zypper install jemalloc
   # macOS
   sudo brew install jemalloc
   

6. 启动后端服务：

   source .venv/bin/activate
   export PYTHONPATH=$(pwd)
   bash docker/launch_backend_service.sh
   

7. 安装前端依赖项：

   cd web
   npm install
   

8. 启动前端服务：

   npm run dev
   

   以下输出确认系统已成功启动：

   

9. 开发完成后停止 RAGFlow 前后端服务：

   pkill -f "ragflow_server.py|task_executor.py"
   

📚 文档

• 快速入门
• 配置
• 发布说明
• 用户指南
• 开发者指南
• 参考文档
• 常见问题解答

📜 路线图

请参阅 RAGFlow 2026 年路线图

🏄 社区

• Discord
• Twitter
• GitHub 讨论区

🙌 贡献

RAGFlow 的蓬勃发展离不开开源社区的合作。我们欢迎来自社区的各种贡献。如果您希望参与其中，请先阅读我们的 贡献指南。

RAGFlow 快速上手指南

RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，深度融合了文档解析能力与 Agent 工作流，旨在为大语言模型提供高质量的上下文层。它支持多种文档格式的深层理解、可视化分块及可追溯的引用，适合构建企业级 AI 应用。

环境准备

在开始之前，请确保您的服务器满足以下硬件和软件要求：

系统要求

• CPU: 4 核及以上
• 内存: 16 GB 及以上
• 磁盘空间: 50 GB 及以上
• 操作系统: Linux (推荐 Ubuntu/CentOS)，Windows 或 macOS (需安装 Docker Desktop)

前置依赖

• Docker: 版本 >= 24.0.0
• Docker Compose: 版本 >= v2.26.1
• gVisor (可选): 仅当您计划使用 RAGFlow 的代码执行器（沙箱）功能时需要安装。

提示: 如果尚未安装 Docker，请访问 Docker 官方安装文档。国内用户建议使用阿里云或清华大学的 Docker 镜像加速器以提升下载速度。

安装步骤

1. 配置系统内核参数

RAGFlow 依赖 Elasticsearch，需要调整 vm.max_map_count 参数。

# 检查当前值
sysctl vm.max_map_count

# 如果小于 262144，临时设置（重启失效）
sudo sysctl -w vm.max_map_count=262144

# 永久生效：编辑 /etc/sysctl.conf，添加或修改以下行
echo "vm.max_map_count=262144" | sudo tee -a /etc/sysctl.conf
sudo sysctl -p

2. 克隆项目代码

git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker

注意: 目前官方 Docker 镜像仅支持 x86 架构。如果您使用的是 ARM64 设备（如 Apple Silicon Mac 或鲲鹏服务器），请参考官方文档自行构建镜像。

3. 启动服务

使用 Docker Compose 启动服务。默认使用 CPU 进行文档解析任务。

# 使用 CPU 启动
docker compose -f docker-compose.yml up -d

# (可选) 如果有 NVIDIA GPU 并希望加速 DeepDoc 任务，先修改配置再启动：
# sed -i '1i DEVICE=gpu' .env
# docker compose -f docker-compose.yml up -d

4. 验证运行状态

查看日志确认服务是否完全启动。看到如下 ASCII Logo 即表示成功：

docker logs -f docker-ragflow-cpu-1

预期输出末尾包含：

 ____   ___    ______ ______ __
/ __ \ /   |  / ____// ____// /____  _      __
...
* Running on all addresses (0.0.0.0)

基本使用

1. 登录系统

在浏览器中访问您的服务器 IP 地址（默认端口 80，无需手动添加）： http://<您的服务器 IP>

2. 配置大模型密钥

首次登录后，需要配置 LLM 提供商的 API Key 才能正常使用：

1. 点击界面右上角的设置或进入 Service Configuration。
2. 找到 user_default_llm 选项，选择您想要使用的模型厂商（如 OpenAI, Azure, Zhipu, Moonshot 等）。
3. 填入对应的 API_KEY。

   详细配置指南可参考：LLM API Key 设置文档

3. 创建第一个知识库

1. 新建知识库：在首页点击"+"号创建一个新的知识库。
2. 上传文档：支持 Word, PDF, Excel, TXT, Markdown 等多种格式。RAGFlow 会自动进行深度文档解析和分块。
3. 解析预览：在"Chunk"标签页查看自动分块结果，支持人工干预和调整模板。
4. 测试检索：进入"Chat"或"Test"页面，输入问题，系统将基于您上传的文档内容进行回答，并展示引用来源。

现在，您已经成功部署并使用了 RAGFlow！您可以进一步探索其 Agent 编排、多路召回重排序等高级功能。