📕 Índice

• 💡 O que é o RAGFlow?
• 🎮 Demo
• 📌 Últimas Atualizações
• 🌟 Principais Funcionalidades
• 🔎 Arquitetura do Sistema
• 🎬 Primeiros Passos
• 🔧 Configurações
• 🔧 Construir uma imagem docker sem incorporar modelos
• 🔧 Construir uma imagem docker incluindo modelos
• 🔨 Lançar serviço a partir do código-fonte para desenvolvimento
• 📚 Documentação
• 📜 Roadmap
• 🏄 Comunidade
• 🙌 Contribuindo

RAGFlow é um mecanismo de RAG (Retrieval-Augmented Generation) open-source líder que fusiona tecnologias RAG de ponta com funcionalidades Agent para criar uma camada contextual superior para LLMs. Oferece um fluxo de trabalho RAG otimizado adaptável a empresas de qualquer escala. Alimentado por um motor de contexto convergente e modelos Agent pré-construídos, o RAGFlow permite que desenvolvedores transformem dados complexos em sistemas de IA de alta fidelidade e pronto para produção com excepcional eficiência e precisão.

Experimente nossa demo em https://demo.ragflow.io.

• 19-11-2025 Suporta Gemini 3 Pro.
• 12-11-2025 Suporta a sincronização de dados do Confluence, S3, Notion, Discord e Google Drive.
• 23-10-2025 Suporta MinerU e Docling como métodos de análise de documentos.
• 15-10-2025 Suporte para pipelines de dados orquestrados.
• 08-08-2025 Suporta a mais recente série GPT-5 da OpenAI.
• 01-08-2025 Suporta fluxo de trabalho agente e MCP.
• 23-05-2025 Adicione o componente executor de código Python/JS ao Agente.
• 05-05-2025 Suporte a consultas entre idiomas.
• 19-03-2025 Suporta o uso de um modelo multi-modal para entender imagens dentro de arquivos PDF ou DOCX.
• 18-12-2024 Atualiza o modelo de Análise de Layout de Documentos no DeepDoc.
• 22-08-2024 Suporta conversão de texto para comandos SQL via RAG.

⭐️ Dê uma estrela no nosso repositório para se manter atualizado com novas funcionalidades e melhorias empolgantes! Receba notificações instantâneas sobre novos lançamentos! 🌟

• Extração de conhecimento baseada em entendimento profundo de documentos a partir de dados não estruturados com formatos complicados.
• Encontra a "agulha no palheiro de dados" de literalmente tokens ilimitados.

• Inteligente e explicável.
• Muitas opções de templates para escolher.

• Visualização da fragmentação de texto para permitir intervenção humana.
• Visualização rápida das referências chave e citações rastreáveis para apoiar respostas fundamentadas.

• Suporta Word, apresentações, excel, txt, imagens, cópias digitalizadas, dados estruturados, páginas da web e mais.

• Orquestração RAG simplificada voltada tanto para negócios pessoais quanto grandes empresas.
• Modelos LLM e de incorporação configuráveis.
• Múltiplas recuperações emparelhadas com reclassificação fundida.
• APIs intuitivas para integração sem problemas com os negócios.

• CPU >= 4 núcleos
• RAM >= 16 GB
• Disco >= 50 GB
• Docker >= 24.0.0 & Docker Compose >= v2.26.1
• gVisor: Necessário apenas se você pretende usar o recurso de executor de código (sandbox) do RAGFlow.

[!TIP] Se você não instalou o Docker na sua máquina local (Windows, Mac ou Linux), veja Instalar Docker Engine.

1. Certifique-se de que vm.max_map_count >= 262144:

   Para verificar o valor de vm.max_map_count:

   $ sysctl vm.max_map_count
   

   Se necessário, redefina vm.max_map_count para um valor de pelo menos 262144:

   # Neste caso, defina para 262144:
   $ sudo sysctl -w vm.max_map_count=262144
   

   Essa mudança será resetada após a reinicialização do sistema. Para garantir que a alteração permaneça permanente, adicione ou atualize o valor de vm.max_map_count em /etc/sysctl.conf:

   vm.max_map_count=262144
   

2. Clone o repositório:

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

3. Inicie o servidor usando as imagens Docker pré-compiladas:

[!CAUTION] Todas as imagens Docker são construídas para plataformas x86. Atualmente, não oferecemos imagens Docker para ARM64. Se você estiver usando uma plataforma ARM64, por favor, utilize este guia para construir uma imagem Docker compatível com o seu sistema.

> O comando abaixo baixa a edição`v0.22.1` da imagem Docker do RAGFlow. Consulte a tabela a seguir para descrições de diferentes edições do RAGFlow. Para baixar uma edição do RAGFlow diferente da `v0.22.1`, atualize a variável `RAGFLOW_IMAGE` conforme necessário no **docker/.env** antes de usar `docker compose` para iniciar o servidor.

   $ cd ragflow/docker
   
   # git checkout v0.22.1
   # Opcional: use uma tag estável (veja releases: https://github.com/infiniflow/ragflow/releases)
   # Esta etapa garante que o arquivo entrypoint.sh no código corresponda à versão da imagem do Docker.

   # Use CPU for DeepDoc tasks:
   $ docker compose -f docker-compose.yml up -d

   # To use GPU to accelerate DeepDoc tasks:
   # sed -i '1i DEVICE=gpu' .env
   # docker compose -f docker-compose.yml up -d

Nota: Antes da v0.22.0, fornecíamos imagens com modelos de embedding e imagens slim sem modelos de embedding. Detalhes a seguir:

RAGFlow image tag	Image size (GB)	Has embedding models?	Stable?
v0.21.1	≈9	✔️	Stable release
v0.21.1-slim	≈2	❌	Stable release

A partir da v0.22.0, distribuímos apenas a edição slim e não adicionamos mais o sufixo -slim às tags das imagens.

4. Verifique o status do servidor após tê-lo iniciado:

   $ docker logs -f docker-ragflow-cpu-1
   

   O seguinte resultado confirma o lançamento bem-sucedido do sistema:

        ____   ___    ______ ______ __
       / __ \ /   |  / ____// ____// /____  _      __
      / /_/ // /| | / / __ / /_   / // __ \| | /| / /
     / _, _// ___ |/ /_/ // __/  / // /_/ /| |/ |/ /
    /_/ |_|/_/  |_|\____//_/    /_/ \____/ |__/|__/
   
    * Rodando em todos os endereços (0.0.0.0)
   

   Se você pular essa etapa de confirmação e acessar diretamente o RAGFlow, seu navegador pode exibir um erro network anormal, pois, nesse momento, seu RAGFlow pode não estar totalmente inicializado.

5. No seu navegador, insira o endereço IP do seu servidor e faça login no RAGFlow.

   Com as configurações padrão, você só precisa digitar http://IP_DO_SEU_MÁQUINA (sem o número da porta), pois a porta HTTP padrão 80 pode ser omitida ao usar as configurações padrão.

6. Em service_conf.yaml.template, selecione a fábrica LLM desejada em user_default_llm e atualize o campo API_KEY com a chave de API correspondente.

   Consulte llm_api_key_setup para mais informações.

O show está no ar!

Quando se trata de configurações do sistema, você precisará gerenciar os seguintes arquivos:

• .env: Contém as configurações fundamentais para o sistema, como SVR_HTTP_PORT, MYSQL_PASSWORD e MINIO_PASSWORD.
• service_conf.yaml.template: Configura os serviços de back-end. As variáveis de ambiente neste arquivo serão automaticamente preenchidas quando o contêiner Docker for iniciado. Quaisquer variáveis de ambiente definidas dentro do contêiner Docker estarão disponíveis para uso, permitindo personalizar o comportamento do serviço com base no ambiente de implantação.
• docker-compose.yml: O sistema depende do docker-compose.yml para iniciar.

O arquivo ./docker/README fornece uma descrição detalhada das configurações do ambiente e dos serviços, que podem ser usadas como ${ENV_VARS} no arquivo service_conf.yaml.template.

Para atualizar a porta HTTP de serviço padrão (80), vá até docker-compose.yml e altere 80:80 para <SUA_PORTA_DE_SERVIÇO>:80.

Atualizações nas configurações acima exigem um reinício de todos os contêineres para que tenham efeito:

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

O RAGFlow usa o Elasticsearch por padrão para armazenar texto completo e vetores. Para mudar para o Infinity, siga estas etapas:

1. Pare todos os contêineres em execução:

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

   Note: -v irá deletar os volumes do contêiner, e os dados existentes serão apagados.

2. Defina DOC_ENGINE no docker/.env para infinity.

3. Inicie os contêineres:

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

[!ATENÇÃO] A mudança para o Infinity em uma máquina Linux/arm64 ainda não é oficialmente suportada.

Esta imagem tem cerca de 2 GB de tamanho e depende de serviços externos de LLM e incorporação.

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

1. Instale o uv e o pre-commit, ou pule esta etapa se eles já estiverem instalados:

   pipx install uv pre-commit
   

2. Clone o código-fonte e instale as dependências Python:

   git clone https://github.com/infiniflow/ragflow.git
   cd ragflow/
   uv sync --python 3.10 # instala os módulos Python dependentes do RAGFlow
   uv run download_deps.py
   pre-commit install
   

3. Inicie os serviços dependentes (MinIO, Elasticsearch, Redis e MySQL) usando Docker Compose:

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

   Adicione a seguinte linha ao arquivo /etc/hosts para resolver todos os hosts especificados em docker/.env para 127.0.0.1:

   127.0.0.1       es01 infinity mysql minio redis sandbox-executor-manager
   

4. Se não conseguir acessar o HuggingFace, defina a variável de ambiente HF_ENDPOINT para usar um site espelho:

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

5. Se o seu sistema operacional não tiver jemalloc, instale-o da seguinte maneira:

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

6. Lance o serviço de back-end:

   source .venv/bin/activate
   export PYTHONPATH=$(pwd)
   bash docker/launch_backend_service.sh
   

7. Instale as dependências do front-end:

   cd web
   npm install
   

8. Lance o serviço de front-end:

   npm run dev
   

   O seguinte resultado confirma o lançamento bem-sucedido do sistema:

   

9. Pare os serviços de front-end e back-end do RAGFlow após a conclusão do desenvolvimento:

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

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

Veja o RAGFlow Roadmap 2025

• Discord
• Twitter
• GitHub Discussions

O RAGFlow prospera por meio da colaboração de código aberto. Com esse espírito, abraçamos contribuições diversas da comunidade. Se você deseja fazer parte, primeiro revise nossas Diretrizes de Contribuição.