RAGFlow 是什麼、部署教學：擅長解析複雜文檔的開源 RAG 知識庫引擎

本文根據 RAGFlow 官方 GitHub 倉庫 README 與官網整理，資料核對於 2026-10-11。開源項目變化快，以官方倉庫為準。

是什麼

RAGFlow 是一個開源的檢索增強生成（RAG）引擎，倉庫 infiniflow/ragflow 約有 9.2 萬星標，採用 Apache-2.0 許可。README 的定位是：把 RAG 與智能體能力結合起來，為大模型提供高質素的上下文。

做過知識庫問答的人都知道，效果差往往不是模型的問題，而是文檔沒解析好——掃描版 PDF、帶表格的報告、多欄排版的論文，被粗暴地按字數切開後，檢索回來的都是殘缺的片段。RAGFlow 就是專門在這一步下功夫的項目。

核心能力

• 深度文檔理解：針對複雜格式的文檔提取結構化內容，盡量保留表格、標題層級和版面資訊；
• 模板化切分：按文檔類型（如論文、手冊、問答對、表格等）選擇不同的切分模板，而不是一刀切；
• 有據可查的引用：回答時標出依據的原文片段，方便核對、減少幻覺；
• 智能體式檢索：支持多步推理的檢索流程，而不是隻檢索一次；
• 接口：提供 API，便於接入自己的業務系統。

怎麼上手

README 給出的推薦配置：4 核 CPU、16 GB 內存、50 GB 可用磁盤；Docker 版本不低於 24.0.0，Docker Compose 不低於 v2.26.1。

bash
git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker
docker compose -f docker-compose.yml up -d

README 建議先切換到指定的發佈版本標籤再啟動（核對時示例使用的是 v1.0.0-rc1），具體以當前 README 為準。啟動完成後：

1. 瀏覽器訪問伺服器地址，註冊第一個帳號；
2. 在設定裏配置模型（對話模型、向量模型等）的 API Key；
3. 新建知識庫，上載文檔，選擇合適的切分模板，等待解析；
4. 打開解析結果檢查切片質素，再創建對話助手綁定該知識庫測試。

免費與付費

開源版免費，可自行部署和商用（遵守 Apache-2.0）。成本在於伺服器資源和模型調用。官方是否提供託管雲服務或企業支持及其價格，以官網為準。

適合誰 / 不適合誰

適合：

• 文檔類型複雜（掃描件、報表、論文、合同）的企業知識庫項目；
• 對回答的可追溯性要求高、需要顯示出處的場景；
• 有運維能力、希望完全自託管的技術團隊。

不適合：

• 伺服器資源緊張的個人用戶——它比輕量的知識庫工具吃資源；
• 文檔都是乾淨的純文本、只想快速搭個問答的場景，FastGPT、AnythingLLM 等更省事；
• 沒有任何 Docker 經驗的用戶。

注意事項

• 解析很耗資源和時間：大批量文檔首次入庫可能需要較長時間，先用少量文檔調好切分模板再批量導入。
• 鏡像體積大：首次拉取需要穩定的網絡和足夠的磁盤空間。
• 切分模板選錯效果會很差：表格類文檔用表格模板、問答對用問答模板。
• 對外開放前加固：修改預設配置、限制註冊，並做好數據卷備份。