Document | Roadmap | Twitter | Discord | Demo

📕 目录

• 💡 RAGFlow 是什么？
• 🎮 Demo
• 📌 近期更新
• 🌟 主要功能
• 🔎 系统架构
• 🎬 快速开始
• 🔧 系统配置
• 🔨 以源代码启动服务
• 📚 技术文档
• 📜 路线图
• 🏄 贡献指南
• 🙌 加入社区
• 🤝 商务合作

💡 RAGFlow 是什么？

RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，通过融合前沿的 RAG 技术与 Agent 能力，为大型语言模型提供卓越的上下文层。它提供可适配任意规模企业的端到端 RAG 工作流，凭借融合式上下文引擎与预置的 Agent 模板，助力开发者以极致效率与精度将复杂数据转化为高可信、生产级的人工智能系统。

🎮 Demo 试用

请登录网址 https://demo.ragflow.io 试用 demo。

🔥 近期更新

• 2025-08-08 支持 OpenAI 最新的 GPT-5 系列模型.
• 2025-08-04 新增对 Kimi K2 和 Grok 4 等模型的支持.
• 2025-08-01 支持 agentic workflow 和 MCP。
• 2025-05-23 Agent 新增 Python/JS 代码执行器组件。
• 2025-05-05 支持跨语言查询。
• 2025-03-19 PDF 和 DOCX 中的图支持用多模态大模型去解析得到描述.
• 2025-02-28 结合互联网搜索（Tavily），对于任意大模型实现类似 Deep Research 的推理功能.
• 2024-12-18 升级了 DeepDoc 的文档布局分析模型。
• 2024-08-22 支持用 RAG 技术实现从自然语言到 SQL 语句的转换。

🎉 关注项目

⭐️ 点击右上角的 Star 关注 RAGFlow，可以获取最新发布的实时通知 !🌟

🌟 主要功能

🍭 "Quality in, quality out"

• 基于深度文档理解，能够从各类复杂格式的非结构化数据中提取真知灼见。
• 真正在无限上下文（token）的场景下快速完成大海捞针测试。

🍱 基于模板的文本切片

• 不仅仅是智能，更重要的是可控可解释。
• 多种文本模板可供选择

🌱 有理有据、最大程度降低幻觉（hallucination）

• 文本切片过程可视化，支持手动调整。
• 有理有据：答案提供关键引用的快照并支持追根溯源。

🍔 兼容各类异构数据源

• 支持丰富的文件类型，包括 Word 文档、PPT、excel 表格、txt 文件、图片、PDF、影印件、复印件、结构化数据、网页等。

🛀 全程无忧、自动化的 RAG 工作流

• 全面优化的 RAG 工作流可以支持从个人应用乃至超大型企业的各类生态系统。
• 大语言模型 LLM 以及向量模型均支持配置。
• 基于多路召回、融合重排序。
• 提供易用的 API，可以轻松集成到各类企业系统。

🔎 系统架构

🎬 快速开始

📝 前提条件

• CPU >= 4 核
• RAM >= 16 GB
• Disk >= 50 GB
• Docker >= 24.0.0 & Docker Compose >= v2.26.1
• gVisor: 仅在你打算使用 RAGFlow 的代码执行器（沙箱）功能时才需要安装。

Tip

如果你并没有在本机安装 Docker（Windows、Mac，或者 Linux）, 可以参考文档 Install Docker Engine 自行安装。

🚀 启动服务器

1. 确保 vm.max_map_count 不小于 262144：

   如需确认 vm.max_map_count 的大小：

   $ sysctl vm.max_map_count

   如果 vm.max_map_count 的值小于 262144，可以进行重置：

   # 这里我们设为 262144:
   $ sudo sysctl -w vm.max_map_count=262144

   你的改动会在下次系统重启时被重置。如果希望做永久改动，还需要在 /etc/sysctl.conf 文件里把 vm.max_map_count 的值再相应更新一遍：

   vm.max_map_count=262144

2. 克隆仓库：

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

3. 进入 docker 文件夹，利用提前编译好的 Docker 镜像启动服务器：

Caution

请注意，目前官方提供的所有 Docker 镜像均基于 x86 架构构建，并不提供基于 ARM64 的 Docker 镜像。 如果你的操作系统是 ARM64 架构，请参考这篇文档自行构建 Docker 镜像。

运行以下命令会自动下载 RAGFlow slim Docker 镜像 v0.20.5-slim。请参考下表查看不同 Docker 发行版的描述。如需下载不同于 v0.20.5-slim 的 Docker 镜像，请在运行 docker compose 启动服务之前先更新 docker/.env 文件内的 RAGFLOW_IMAGE 变量。比如，你可以通过设置 RAGFLOW_IMAGE=infiniflow/ragflow:v0.20.5 来下载 RAGFlow 镜像的 v0.20.5 完整发行版。

$ cd ragflow/docker
# Use CPU for embedding and DeepDoc tasks:
$ docker compose -f docker-compose.yml up -d

# To use GPU to accelerate embedding and DeepDoc tasks:
# docker compose -f docker-compose-gpu.yml up -d

RAGFlow image tag	Image size (GB)	Has embedding models?	Stable?
v0.20.5	≈9	✔️	Stable release
v0.20.5-slim	≈2	❌	Stable release
nightly	≈9	✔️	Unstable nightly build
nightly-slim	≈2	❌	Unstable nightly build

Tip

如果你遇到 Docker 镜像拉不下来的问题，可以在 docker/.env 文件内根据变量 RAGFLOW_IMAGE 的注释提示选择华为云或者阿里云的相应镜像。

• 华为云镜像名：swr.cn-north-4.myhuaweicloud.com/infiniflow/ragflow
• 阿里云镜像名：registry.cn-hangzhou.aliyuncs.com/infiniflow/ragflow

4. 服务器启动成功后再次确认服务器状态：

   $ docker logs -f ragflow-server

   出现以下界面提示说明服务器启动成功：

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

   如果您在没有看到上面的提示信息出来之前，就尝试登录 RAGFlow，你的浏览器有可能会提示 network anormal 或 网络异常。

5. 在你的浏览器中输入你的服务器对应的 IP 地址并登录 RAGFlow。

   上面这个例子中，您只需输入 http://IP_OF_YOUR_MACHINE 即可：未改动过配置则无需输入端口（默认的 HTTP 服务端口 80）。

6. 在 service_conf.yaml.template 文件的 user_default_llm 栏配置 LLM factory，并在 API_KEY 栏填写和你选择的大模型相对应的 API key。

   详见 llm_api_key_setup。

   好戏开始，接着奏乐接着舞！

🔧 系统配置

系统配置涉及以下三份文件：

• .env：存放一些基本的系统环境变量，比如 SVR_HTTP_PORT、MYSQL_PASSWORD、MINIO_PASSWORD 等。
• service_conf.yaml.template：配置各类后台服务。
• docker-compose.yml: 系统依赖该文件完成启动。

请务必确保 .env 文件中的变量设置与 service_conf.yaml.template 文件中的配置保持一致！

如果不能访问镜像站点 hub.docker.com 或者模型站点 huggingface.co，请按照 .env 注释修改 RAGFLOW_IMAGE 和 HF_ENDPOINT。

./docker/README 解释了 service_conf.yaml.template 用到的环境变量设置和服务配置。

如需更新默认的 HTTP 服务端口(80), 可以在 docker-compose.yml 文件中将配置 80:80 改为 <YOUR_SERVING_PORT>:80。

所有系统配置都需要通过系统重启生效：

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

把文档引擎从 Elasticsearch 切换成为 Infinity

RAGFlow 默认使用 Elasticsearch 存储文本和向量数据. 如果要切换为 Infinity, 可以按照下面步骤进行:

1. 停止所有容器运行:

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

   Note: -v 将会删除 docker 容器的 volumes，已有的数据会被清空。

2. 设置 docker/.env 目录中的 DOC_ENGINE 为 infinity.

3. 启动容器:

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

Warning

Infinity 目前官方并未正式支持在 Linux/arm64 架构下的机器上运行.

🔧 源码编译 Docker 镜像（不含 embedding 模型）

本 Docker 镜像大小约 2 GB 左右并且依赖外部的大模型和 embedding 服务。

git clone https://github.com/infiniflow/ragflow.git
cd ragflow/
docker build --platform linux/amd64 --build-arg LIGHTEN=1 --build-arg NEED_MIRROR=1 -f Dockerfile -t infiniflow/ragflow:nightly-slim .

🔧 源码编译 Docker 镜像（包含 embedding 模型）

本 Docker 大小约 9 GB 左右。由于已包含 embedding 模型，所以只需依赖外部的大模型服务即可。

git clone https://github.com/infiniflow/ragflow.git
cd ragflow/
docker build --platform linux/amd64 --build-arg NEED_MIRROR=1 -f Dockerfile -t infiniflow/ragflow:nightly .

🔨 以源代码启动服务

1. 安装 uv 和 pre-commit。如已经安装，可跳过本步骤：

   pipx install uv pre-commit
   export UV_INDEX=https://mirrors.aliyun.com/pypi/simple

2. 下载源代码并安装 Python 依赖：

   git clone https://github.com/infiniflow/ragflow.git
   cd ragflow/
   uv sync --python 3.10 --all-extras # install RAGFlow dependent python modules
   uv run download_deps.py
   pre-commit install

3. 通过 Docker Compose 启动依赖的服务（MinIO, Elasticsearch, Redis, and MySQL）：

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

   在 /etc/hosts 中添加以下代码，目的是将 conf/service_conf.yaml 文件中的所有 host 地址都解析为 127.0.0.1：

   127.0.0.1       es01 infinity mysql minio redis sandbox-executor-manager
   

4. 如果无法访问 HuggingFace，可以把环境变量 HF_ENDPOINT 设成相应的镜像站点：

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

5. 如果你的操作系统没有 jemalloc，请按照如下方式安装：

   # ubuntu
   sudo apt-get install libjemalloc-dev
   # centos
   sudo yum install jemalloc
   # mac
   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：

   cd web
   npm install

8. 启动前端服务：

   npm run dev

   以下界面说明系统已经成功启动：

   

9. 开发完成后停止 RAGFlow 前端和后端服务：

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

📚 技术文档

• Quickstart
• Configuration
• Release notes
• User guides
• Developer guides
• References
• FAQs

📜 路线图

详见 RAGFlow Roadmap 2025 。

🏄 开源社区

• Discord
• Twitter
• GitHub Discussions