📕 目錄

• 💡 RAGFlow 是什麼？
• 🎮 Demo-試用
• 📌 近期更新
• 🌟 主要功能
• 🔎 系統架構
• 🎬 快速開始
• 🔧 系統配置
• 🔨 以原始碼啟動服務
• 📚 技術文檔
• 📜 路線圖
• 🏄 貢獻指南
• 🙌 加入社區
• 🤝 商務合作

RAGFlow 是一款領先的開源 RAG（Retrieval-Augmented Generation）引擎，通過融合前沿的 RAG 技術與 Agent 能力，為大型語言模型提供卓越的上下文層。它提供可適配任意規模企業的端到端 RAG 工作流，憑藉融合式上下文引擎與預置的 Agent 模板，助力開發者以極致效率與精度將複雜數據轉化為高可信、生產級的人工智能系統。

請登入網址 https://demo.ragflow.io 試用 demo。

• 2025-11-19 支援 Gemini 3 Pro.
• 2025-11-12 支援從 Confluence、S3、Notion、Discord、Google Drive 進行資料同步。
• 2025-10-23 支援 MinerU 和 Docling 作為文件解析方法。
• 2025-10-15 支援可編排的資料管道。
• 2025-08-08 支援 OpenAI 最新的 GPT-5 系列模型。
• 2025-08-01 支援 agentic workflow 和 MCP
• 2025-05-23 為 Agent 新增 Python/JS 程式碼執行器元件。
• 2025-05-05 支援跨語言查詢。
• 2025-03-19 PDF和DOCX中的圖支持用多模態大模型去解析得到描述.
• 2024-12-18 升級了 DeepDoc 的文檔佈局分析模型。
• 2024-08-22 支援用 RAG 技術實現從自然語言到 SQL 語句的轉換。

⭐️ 點擊右上角的 Star 追蹤 RAGFlow，可以取得最新發布的即時通知 !🌟

• 基於深度文件理解，能夠從各類複雜格式的非結構化資料中提取真知灼見。
• 真正在無限上下文（token）的場景下快速完成大海撈針測試。

• 不只是智能，更重要的是可控可解釋。
• 多種文字範本可供選擇

• 文字切片過程視覺化，支援手動調整。
• 有理有據：答案提供關鍵引用的快照並支持追根溯源。

• 支援豐富的文件類型，包括 Word 文件、PPT、excel 表格、txt 檔案、圖片、PDF、影印件、影印件、結構化資料、網頁等。

• 全面優化的 RAG 工作流程可以支援從個人應用乃至超大型企業的各類生態系統。
• 大語言模型 LLM 以及向量模型皆支援配置。
• 基於多路召回、融合重排序。
• 提供易用的 API，可輕鬆整合到各類企業系統。

• CPU >= 4 核
• RAM >= 16 GB
• Disk >= 50 GB
• Docker >= 24.0.0 & Docker Compose >= v2.26.1
• gVisor: 僅在您打算使用 RAGFlow 的代碼執行器（沙箱）功能時才需要安裝。

[!TIP] 如果你並沒有在本機安裝 Docker（Windows、Mac，或 Linux）, 可以參考文件 Install Docker Engine 自行安裝。

1. 確保 vm.max_map_count 不小於 262144：

   如需確認 vm.max_map_count 的大小：

   $ sysctl vm.max_map_count
   

   如果 vm.max_map_count 的值小於 262144，可以進行重設：

   # 這裡我們設為 262144:
   $ sudo sysctl -w vm.max_map_count=262144
   

   你的改動會在下次系統重新啟動時被重置。如果希望做永久改動，還需要在 /etc/sysctl.conf 檔案裡把 vm.max_map_count 的值再相應更新一遍：

   vm.max_map_count=262144
   

2. 克隆倉庫：

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

3. 進入 docker 資料夾，利用事先編譯好的 Docker 映像啟動伺服器：

[!CAUTION] 所有 Docker 映像檔都是為 x86 平台建置的。目前，我們不提供 ARM64 平台的 Docker 映像檔。 如果您使用的是 ARM64 平台，請使用 這份指南 來建置適合您系統的 Docker 映像檔。

執行以下指令會自動下載 RAGFlow Docker 映像 v0.22.1。請參考下表查看不同 Docker 發行版的說明。如需下載不同於 v0.22.1 的 Docker 映像，請在執行 docker compose 啟動服務之前先更新 docker/.env 檔案內的 RAGFLOW_IMAGE 變數。

   $ cd ragflow/docker
   
   # git checkout v0.22.1
   # 可選：使用穩定版標籤（查看發佈：https://github.com/infiniflow/ragflow/releases）
   # 此步驟確保程式碼中的 entrypoint.sh 檔案與 Docker 映像版本一致。

   # 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

注意：在 v0.22.0 之前的版本，我們會同時提供包含 embedding 模型的映像和不含 embedding 模型的 slim 映像。具體如下：

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

從 v0.22.0 開始，我們只發佈 slim 版本，並且不再在映像標籤後附加 -slim 後綴。

[!TIP] 如果你遇到 Docker 映像檔拉不下來的問題，可以在 docker/.env 檔案內根據變數 RAGFLOW_IMAGE 的註解提示選擇華為雲或阿里雲的對應映像。

• 華為雲鏡像名：swr.cn-north-4.myhuaweicloud.com/infiniflow/ragflow
• 阿里雲鏡像名：registry.cn-hangzhou.aliyuncs.com/infiniflow/ragflow

4. 伺服器啟動成功後再次確認伺服器狀態：

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

   出現以下介面提示說明伺服器啟動成功：

        ____   ___    ______ ______ __
       / __ \ /   |  / ____// ____// /____  _      __
      / /_/ // /| | / / __ / /_   / // __ \| | /| / /
     / _, _// ___ |/ /_/ // __/  / // /_/ /| |/ |/ /
    /_/ |_|/_/  |_|\____//_/    /_/ \____/ |__/|__/
   
    * Running on all addresses (0.0.0.0)
   

   如果您跳過這一步驟系統確認步驟就登入 RAGFlow，你的瀏覽器有可能會提示 network anormal 或 網路異常，因為 RAGFlow 可能並未完全啟動成功。

5. 在你的瀏覽器中輸入你的伺服器對應的 IP 位址並登入 RAGFlow。

   上面這個範例中，您只需輸入http://IP_OF_YOUR_MACHINE 即可：未改動過設定則無需輸入連接埠（預設的 HTTP 服務連接埠 80）。

6. 在 service_conf.yaml.template 檔案的 user_default_llm 欄位設定 LLM factory，並在 API_KEY 欄填入和你選擇的大模型相對應的 API key。

   詳見 llm_api_key_setup。

   _好戲開始，接著奏樂接著舞！ _

系統配置涉及以下三份文件：

• .env：存放一些系統環境變量，例如 SVR_HTTP_PORT、MYSQL_PASSWORD、MINIO_PASSWORD 等。
• service_conf.yaml.template：設定各類別後台服務。
• docker-compose.yml: 系統依賴該檔案完成啟動。

請務必確保 .env 檔案中的變數設定與 service_conf.yaml.template 檔案中的設定保持一致！

如果無法存取映像網站 hub.docker.com 或模型網站 huggingface.co，請依照 .env 註解修改 RAGFLOW_IMAGE 和 HF_ENDPOINT。

./docker/README 解釋了 service_conf.yaml.template 用到的環境變數設定和服務配置。

如需更新預設的 HTTP 服務連接埠(80), 可以在docker-compose.yml 檔案中將配置 80:80 改為 <YOUR_SERVING_PORT>:80 。

所有系統配置都需要透過系統重新啟動生效：

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

###把文檔引擎從 Elasticsearch 切換成為 Infinity

RAGFlow 預設使用 Elasticsearch 儲存文字和向量資料. 如果要切換為 Infinity, 可以按照下面步驟進行:

1. 停止所有容器運作:

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

   Note: -v 將會刪除 docker 容器的 volumes，已有的資料會被清空。

2. 設定 docker/.env 目錄中的 DOC_ENGINE 為 infinity.

3. 啟動容器:

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

[!WARNING] Infinity 目前官方並未正式支援在 Linux/arm64 架構下的機器上運行.

本 Docker 映像大小約 2 GB 左右並且依賴外部的大模型和 embedding 服務。

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

1. 安裝 uv 和 pre-commit。如已安裝，可跳過此步驟：

   pipx install uv pre-commit
   export UV_INDEX=https://mirrors.aliyun.com/pypi/simple
   

2. 下載原始碼並安裝 Python 依賴：

   git clone https://github.com/infiniflow/ragflow.git
   cd ragflow/
   uv sync --python 3.10 # install RAGFlow dependent python modules
   uv run download_deps.py
   pre-commit install
   

3. 透過 Docker Compose 啟動依賴的服務（MinIO, Elasticsearch, Redis, and MySQL）：

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

   在 /etc/hosts 中加入以下程式碼，將 conf/service_conf.yaml 檔案中的所有 host 位址都解析為 127.0.0.1：

   127.0.0.1       es01 infinity mysql minio redis sandbox-executor-manager
   

4. 如果無法存取 HuggingFace，可以把環境變數 HF_ENDPOINT 設為對應的鏡像網站：

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

5. 如果你的操作系统没有 jemalloc，请按照如下方式安装：

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

6. 啟動後端服務：

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

7. 安裝前端依賴：

   cd web
   npm install
   

8. 啟動前端服務：

   npm run dev
   

   以下界面說明系統已成功啟動：_

   

9. 開發完成後停止 RAGFlow 前端和後端服務：

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

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

詳見 RAGFlow Roadmap 2025 。

• Discord
• Twitter
• GitHub Discussions

RAGFlow 只有透過開源協作才能蓬勃發展。秉持這項精神,我們歡迎來自社區的各種貢獻。如果您有意參與其中,請查閱我們的 貢獻者指南 。

• 預約諮詢

掃二維碼加入 RAGFlow 小助手，進 RAGFlow 交流群。