README

Cloud |
  Document |
  Roadmap |
  Discord











📕 目录

- 💡 RAGFlow 是什么？
- 🎮 快速开始
- 🔥 近期更新
- 🌟 主要功能
- 🔎 系统架构
- 🏠 本地部署
- 📚 技术文档
- 📜 路线图
- 🏄 开源社区
- 🙌 贡献指南
- 🤝 商务合作
- 👥 加入社区



 💡 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。

 🎮 快速开始

请登录网址 https://cloud.ragflow.io 体验云服务。

如果想在本地部署，请参阅本地部署。






 🔥 近期更新

- 2026-11-06 发布 RAGFlow 1.0.0。
- 2026-09-30 发布 RAGFlow 1.0.0-rc1。
- 2026-09-10 支持通过 Sitemap 接入网站内容。
- 2026-08-19 推出知识编译，支持在文档级和知识库级生成 Wiki、Graph、Tree、PageIndex、Mind Map、Timeline 及 Skills。
- 2026-08-19 推出 Agentic RAG，支持 Low、Medium、High、Ultra 四种思考模式。
- 2026-07-02 支持 Google BigQuery 数据源接入与增量同步。

更多更新请参阅完整发布记录。

 🌟 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。

 🧩 知识编译（Knowledge Compilation）

- 支持文档级和知识库级编译，将原始内容组织为结构化的知识产物。
- 通过编译模板生成 Wiki、Graph、Tree、PageIndex、Mind Map、Timeline 及 Skills，满足不同的知识组织和复用需求。
- 支持配置编译模型与处理规则，并查看、更新和重新生成知识产物。

 🧠 Agentic Retrieval

- 面向复杂问题进行多步检索：模型会分析问题，并在需要时执行问题拆解、知识检索和证据核验。
- 通过多轮检索与推理获取更完整的上下文，帮助生成有依据的回答。
- 支持 Low、Medium、High、Ultra 思考模式，可按问题复杂度控制检索和推理深度。

 🌱 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

- 自动化的 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


  


 🏠 本地部署

本地部署提供 Docker 部署和源码启动两种方式：Docker 适合快速体验、集成测试和生产部署；源码启动适合 RAGFlow 开发和调试。Docker 部署无需安装 Go 编译器，源码启动需要安装 go.mod 指定版本的 Go 编译器；前端开发还需要 Node.js 和 npm。

 🐳 Docker 部署

 📝 Docker 部署前提条件

- 建议起步配置：4 核 CPU、16 GB 内存和 50 GB 可用磁盘。实际资源需求取决于文档引擎、数据规模、解析任务和并发量；启用本地模型或其他额外组件时，请同时满足相应组件的资源要求。
- Docker ≥ 24.0.0，Docker Compose ≥ v2.26.1。

 ⚠️ 提示： 如果你尚未在本机安装 Docker（Windows、macOS 或 Linux），可以参考 Install Docker Engine 自行安装。

 🚀 启动服务器

1. 如果使用 Elasticsearch，将 Docker 宿主机的 vm.max_map_count 设置为至少 262144。使用 Infinity 时则不需要执行此步骤：

    如需确认 vm.max_map_count 的大小：
   
    bash
    sysctl vm.max_map_count
    
   
    如果使用 Elasticsearch 且 vm.max_map_count 的值小于 262144，可以进行重置：
   
    bash
     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：
   
    bash
    vm.max_map_count=262144
    

2. 克隆仓库：

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

3. 切换到发布标签并使用 Docker Compose 启动服务器：

   进入仓库中的 Docker 部署目录。

   bash
   cd ragflow/docker
   

   切换到 v1.0.0 发布标签。

   bash
   git checkout v1.0.0
   

   在启动 RAGFlow 服务及其依赖服务。

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

    💡 镜像下载提示： 如果无法从默认仓库拉取镜像，请先在 docker/.env 中将 RAGFLOW_IMAGE 设置为以下镜像源之一，并保留 v1.0.0 标签：
   
    - 华为云：swr.cn-north-4.myhuaweicloud.com/infiniflow/ragflow:v1.0.0
    - 阿里云：registry.cn-hangzhou.aliyuncs.com/infiniflow/ragflow:v1.0.0

   默认 MySQL 配置下，镜像入口会先执行数据库迁移，再启动 Ad

Top issues

Discussions

Latest release

What's Changed
 fix(parser): keep recovered PDF TOC leader lines out of the body guard by @jay77721 in https://github.com/infiniflow/ragflow/pull/21768
 CI: Fix log tee failure by @myf-bee in https://github.com/infiniflow/ragflow/pull/21791
 Update release notes of 1.0.0.rc3 by @yingfeng in https://github.com/infiniflow/ragflow/pull/21793
 feat: add Wally as a model provider by @adityabatra072 in https://github.com/infiniflow/ragflow/pull/21719
 add audit hooks to file APIs by @JinHai-CN in https://github.com/infiniflow/ragflow/pull/21807
 add log hooks by @JinHai-CN in https://github.co