RAGFlow 是一款面向生产环境的开源 RAG（检索增强生成）平台，它不只是简单地把文档丢给大模型查答案，而是通过融合智能 Agent 能力与多模态文档理解技术，为 LLM 构建真正可靠、可追溯、可编排的上下文层。它解决了企业落地 AI 应用时最头疼的问题：如何让大模型准确理解私有文档、精准定位信息来源、并支持复杂推理与交互式分析——而无需从零训练模型或编写大量胶水代码。
核心功能
- 全格式文档智能解析：原生支持 PDF、Word、Excel、PPT、Markdown、网页、图片（OCR）、甚至扫描件等数十种格式，自动提取文本、表格、图表结构，并保留原始语义关系
- 多级向量+全文混合检索：结合稠密向量检索（语义匹配）与稀疏检索（关键词/术语精确召回），支持段落级、页面级、文档级三级粒度检索，大幅提升查准率与查全率
- Agent 驱动的上下文编排：内置可配置的 RAG Agent 工作流引擎，支持多跳检索、交叉验证、引用溯源、结果重排序与自适应提示编排，让回答不止于“找得到”，更做到“答得准、说得清”
- 可视化知识图谱构建：自动从文档中抽取实体、关系与事件，生成可交互的知识网络图谱，支持人工校验、节点标注与子图导出，助力知识资产沉淀
- 开箱即用的 Web 管理界面：提供中文优先的图形化控制台，支持文档上传、数据集管理、检索调试、效果评估（Hit Rate / MRR）、API 密钥管控与审计日志，零前端开发即可上线
- 企业级部署与扩展能力：基于 Go 语言高性能实现，支持 Docker/K8s 一键部署；提供标准 RESTful API 与 SDK（Python/Node.js），轻松集成到现有业务系统或低代码平台
适合哪些人用
这款工具特别适合：AI 工程师快速搭建高可用 RAG 应用；企业知识管理者将内部手册、合同、财报、产品文档等转化为可问答的知识库；客服/销售团队构建智能问答助手，实时调取最新政策与案例；开发者学习者深入理解 RAG 架构设计与 Agent 编排实践；也适合高校研究者在真实文档场景下验证检索算法、评估生成质量与可解释性。
快速上手
只需两步即可本地运行：
- 安装 Docker 和 Docker Compose（已预装则跳过）
- 执行命令：
git clone https://github.com/infiniflow/ragflow && cd ragflow && docker-compose up -d
等待约 2 分钟，访问 http://localhost:3000 即可进入中文管理后台。首次登录默认账号 admin / 123456，上传任意文档后点击“构建知识库”，系统将自动完成解析、切分、向量化与索引——整个过程无需修改一行代码，也无需配置向量数据库或大模型服务（内置轻量级嵌入模型与本地推理适配器）。
项目信息
RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent capabilities to create a superior
87.5k
今日 +182 stars today
Stars
10.3k
Forks
Go
Apache-2.0
编程语言：Go｜GitHub Star 数：87,473｜开源协议：Apache-2.0｜GitHub 项目地址
如果你正在寻找一个不依赖云厂商、不开源即闭源、不需调参就能跑通企业级文档问答的 RAG 解决方案——RAGFlow 就是目前中文社区最成熟、最活跃、也最“接地气”的开源选择。
