RAGFlow 项目介绍

RAGFlow 项目介绍

项目定位

RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，通过融合深度文档理解与 Agent 能力，为 LLM 提供高质量的上下文层。它解决的核心问题是：从复杂非结构化文档中提取高保真知识，并以可控、可追溯的方式喂给大语言模型，从而减少幻觉、提升答案质量。

核心能力

• 深度文档理解（DeepDoc）：基于视觉模型的 OCR、布局识别、表格结构识别（TSR），能从 PDF、DOCX、Excel、PPT、图片、扫描件等复杂格式中精准提取文本、表格、图片和结构信息
• 模板化文本切分：提供多种可配置的切分模板（通用、论文、简历、法律、手册等），切分过程可视化、可控、可干预
• 多路召回 + 融合重排：支持全文检索与向量检索混合召回，配合重排序模型提升召回质量
• GraphRAG：内置知识图谱构建能力，包括实体识别、实体消歧与图谱检索
• RAPTOR 递归摘要：通过树状聚类与递归摘要实现层次化知识组织，支持”大海捞针”级别的长上下文检索
• Agent 工作流编排：基于 DSL 的可视化 Agent 编排，内置 20+ 组件（LLM、检索、分类、迭代、循环、浏览器、代码执行等）与 20+ 预置模板
• MCP 集成：同时支持 MCP 客户端（调用外部 MCP 服务）与服务端（对外暴露 RAGFlow 能力）
• 多模型适配：支持 50+ 模型提供商，覆盖 Chat、Embedding、Rerank、OCR、TTS、语音识别等多模态模型
• 沙箱代码执行：基于 gVisor 的安全沙箱，支持 Agent 在隔离环境中执行 Python/JavaScript 代码

技术栈

层面	技术
后端 API	Python 3.13，Flask/Quart（异步 Web 框架）
RAG 核心	纯 Python，异步流水线（asyncio）
文档解析	自研视觉模型（PyTorch）+ 第三方解析器（MinerU、Docling、PaddleOCR）
Agent 系统	自定义 DAG 编排引擎，JSON DSL 定义工作流
前端	React + TypeScript + Vite + shadcn/ui + Zustand
存储层	MySQL（元数据）、Elasticsearch/Infinity（全文+向量）、Redis（缓存+会话）、MinIO（对象存储）
部署	Docker Compose 微服务架构
SDK	Python + JavaScript/TypeScript

架构概览

快速体验

Docker 一键启动

git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker
# 确保 vm.max_map_count >= 262144
docker compose -f docker-compose.yml up -d

启动后访问 http://IP_OF_YOUR_MACHINE 即可使用 Web UI。

源码开发模式

git clone https://github.com/infiniflow/ragflow.git
cd ragflow/
uv sync --python 3.13
uv run python3 download_deps.py
docker compose -f docker/docker-compose-base.yml up -d
source .venv/bin/activate
export PYTHONPATH=$(pwd)
bash docker/launch_backend_service.sh
cd web && npm install && npm run dev

教程导读

本教程基于 RAGFlow v0.25.6（commit 8f0632c），从源码出发，分为两条主线：

AI 应用知识线（/tutorials/ragflow/ai/）

聚焦 RAGFlow 作为 RAG 引擎和 Agent 平台的通用知识，包括：

• RAG 流水线的整体架构与数据流
• 深度文档理解的视觉模型原理
• 模板化文本切分的设计与实践
• 多路召回与重排序策略
• GraphRAG 知识图谱构建
• RAPTOR 层次化知识组织
• Agent 工作流编排与组件设计
• MCP 协议集成

编程开发知识线（/tutorials/ragflow/dev/）

聚焦 RAGFlow 的工程实践与架构决策，包括：

• 微服务架构与部署拓扑
• 异步流水线设计（asyncio）
• DSL 驱动的 Agent 编排引擎
• 多模型统一适配层
• 安全沙箱（gVisor）集成
• 前后端工程与构建流程

本教程涉及的部分通用知识已收录于 公共知识库，建议先阅读相关章节以获得更系统的理解。