RAGFlow 是什么?让 LLM 靠高保真检索跑知识库的 Agent 平台(基础篇)

RAGFlow 是什么?让 LLM 靠高保真检索跑知识库的 Agent 平台(基础篇)

RAGFlow 是什么?让 LLM 靠「代码级高保真检索」跑知识库的 Agent 平台(基础篇)

导语

刷开源圈这几年,我只说一句大实话:把大模型接到自己文档上,是最多人踩坑、又最显工程师功力的一件事。 用错方案,你的「企业知识库」就是高级版复读机——问细一点就胡编。今天要聊的 RAGFlow,就是冲着「高保真 RAG + Agent」这个刁钻位置来的开源横向平台,81.3K 星、Apache-2.0,值得你花十分钟搞明白它到底解决了什么。

项目介绍

RAGFlow 是 infiniflow 团队开源的一站式 RAG + Agent 平台,定位是「给 LLM 提供高质量上下文层」。它跟普通 RAG 工具最大的区别,是把「检索质量」当成第一优先级——不是能搜到就完事,而是能精读、能结构化、能溯源。

核心亮点我挑三个说:

1. 文档解析靠的是硬解析,不是糊弄。
RAGFlow 起家就是文档处理狠活,支持 MinerU、Docling 等解析引擎,PDF、Word、PPT、扫描件全都能啃。它强调的是「DeepDoc」级版面解析——表格、图表、多栏排版都能拆对,而不是简单把 PDF 每页文字抠出来。这直接决定了你检索出来的片段是「人话」还是「乱码」。

2. Agent + RAG 融合,不是两个模块硬凑。
平台把检索和 Agent 编排捏在一起,有预置的 Agent 模板,还支持 Agent 记忆、多工具调用。你可以让模型自己去判断「这问题要不要先查库、查完再给结论」,减少幻觉。

3. 完整可溯源。
每次回答都能给出来源和引用片段,做知识库、客服、合规审计都敢上生产——这也是它被企业盯上的原因。

架构上它是 Python 为主(43.5%),配 TypeScript 前端、Go 服务层,顶层支持 OpenAI、DeepSeek、Gemini 等主流模型上任选,向量库可接多种后端。社区更新很勤,去年底到现在陆续加了 Agent 记忆、DeepSeek v4、Gemini 3 Pro、Confluence/S3/Notion 数据同步。

上手

RAGFlow 的自托管做得很顺手,Docker Compose 一把梭:

git clone https://github.com/infiniflow/ragflow.git
cd ragflow
docker compose up -d

起来后在 Web 端配置好 LLM(OpenAI/DeepSeek/Ollama 本地都行),建知识库、传文档,等解析完直接开聊。要生产化就走它的官方 Helm Chart 上 K8s。嫌麻烦也可以直接用它家的云服务 ragflow.io 先试水,确认路子对再自建。

实话

RAGFlow 强在「检索质量」这条赛道,但也要认清代价:它偏重、组件多,dinky 的小服务器想爽跑得掂量内存;想挖透它的解析和检索调优,需要啃不少配置和文档,不是开箱零门槛。如果你的诉求只是「轻量做几个 Agent 玩」,Dify 这类更省心;但你要的是「把知识库检索做扎实」,RAGFlow 是当前开源第一梯队的选择。别盲目追星,按场景挑。

署名

文章数据以 GitHub 实时为准。更多硬核 Agent 与开源平台实测,关注 ai.godsun.pro。有不同看法欢迎来聊。

—— 数码罗记 · godsun.pro

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注