ragflow
SHA-256RAGFlow 是一款开源 RAG 引擎，将深度文档理解与 Agent 工作流结合，提供有据可查的精准回答。相比 LangChain 的 DIY 方式，RAGFlow 提供可视化、开箱即用的企业级平台，模板化切片显著减少幻觉与配置成本。
开源 RAG 引擎，深度文档理解 + Agent 工作流，开箱即用，回答有据可查。
核心功能
- 深度文档理解：从复杂格式的 PDF、Word、PPT 中自动抽取知识，支持扫描件和图片
- 模板化切片：提供多种智能切片模板，结果可视化、可解释，支持人工干预
- 引用可追溯：每条回答都附带关键引用来源，有效降低 AI 幻觉
- 兼容多种数据源：支持 Word、Excel、网页、结构化数据、云盘等，告别数据孤岛
- 自动化 RAG 工作流：可视化编排，支持多种召回策略 + 融合重排序，API 便于集成
避坑指南
- •官方 Docker 镜像仅支持 x86 架构，ARM64（如苹果 M 系列）需自行构建镜像，过程较繁琐。2. 首次启动前务必设置 vm.max_map_count ≥ 262144，否则 Elasticsearch 会启动失败。3. 代码执行器（沙箱）需要额外安装 gVisor，不想用可以不装，但不装则无法使用该功能。4. 默认启动使用 CPU，处理大量 PDF 会较慢，若需 GPU 加速需修改 .env 文件。
适用场景
- 企业知识库问答：快速搭建内部文档问答系统，让员工用自然语言查制度、手册、技术资料
- 智能客服与内容生成：基于产品文档、帮助中心构建客服助手，或生成带引用的行业研究报告
详细介绍
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，将前沿 RAG 技术与 Agent 能力深度融合，为大型语言模型（LLM）打造更优质的上下文层。它提供了一套简洁流畅的 RAG 工作流，可适配不同规模的企业。其核心优势包括：基于深度文档理解的知识提取（能处理格式复杂的非结构化数据）、智能且可解释的模板化切片，以及可追溯的引用机制，有效减少模型幻觉。相比 LangChain 或 LlamaIndex 这类偏 DIY 的框架，RAGFlow 更像一个开箱即用的企业级平台，自带可视化界面、文档解析和自动化数据管道，部署和维护成本大幅降低，更适合生产环境。
标签
快速上手
安装软件
双击下载的安装程序，按提示完成安装
推荐直接使用官方云服务（cloud.ragflow.io），无需配置环境，注册即可体验
若想本地部署：确保 CPU ≥ 4 核、内存 ≥ 16GB、磁盘 ≥ 50GB，并安装 Docker 24+
克隆仓库后进入 docker 目录，执行 docker compose -f docker-compose.yml up -d 启动服务
- 推荐直接使用官方云服务（cloud.ragflow.io），无需配置环境，注册即可体验
- 若想本地部署：确保 CPU ≥ 4 核、内存 ≥ 16GB、磁盘 ≥ 50GB，并安装 Docker 24+
- 克隆仓库后进入 docker 目录，执行 docker compose -f docker-compose.yml up -d 启动服务
已提供 SHA-256 校验码，下载后可自行核对文件完整性
该校验码提取自 GitHub 官方 Release 页面
SHA256 校验码
639d67416f53effd2ace524d1eb751b58d822c45c67d6c9172db7d855e24c94c该校验码提取自 GitHub Release 页面，下载后请自行核对文件完整性
本平台所有 SHA-256 校验码均提取自项目在 GitHub 官方 Release 页面发布的文件，未做任何修改。你可以通过 GitHub Releases 页面自行验证。
开源透明
查看 GitHub 源码卸载说明
本地部署的卸载：在 ragflow/docker 目录下执行 docker compose -f docker-compose.yml down 停止并删除容器；如需彻底清除数据，可再执行 docker volume prune 删除相关数据卷，最后手动删除 ragflow 源码目录即可。
无额外依赖
下载后即可直接使用，无需安装其他运行环境