RAGFlow：深度文档理解RAG引擎安装与使用指南

官方信息

项目背景

RAGFlow 是由 infiniflow 团队开源的 RAG（Retrieval-Augmented Generation）引擎。市面上大多数 RAG 系统在处理纯文本时表现不错，但一遇到带复杂表格、图片、扫描件、多栏排版的 PDF 就抓瞎——切分不对、表格丢失、检索召回率低。RAGFlow 的核心卖点就是"深度文档理解"：它用视觉模型 + 布局分析来解析文档，能准确识别标题、段落、表格、图片，并保留它们之间的逻辑关系。

在企业知识库场景中，大量文档是合同、财报、技术白皮书、医学文献——这些都是复杂排版的 PDF。传统的 RAG 方案把 PDF 粗暴转成纯文本再切分，结果就是"问财报里某季度营收"根本答不对，因为表格信息已经丢了。RAGFlow 通过 DeepDoc 文档解析引擎，把 PDF 还原成结构化的 Markdown 带表格，再做切片和向量化，检索质量显著提升。

RAGFlow 同时提供了完整的 Web UI：上传文档、选择解析模板、测试检索效果、调试 Prompt、发布 API——一条龙服务，不需要写代码。

核心特性

• DeepDoc 深度文档解析：OCR + 布局分析 + 表格识别，支持扫描件 PDF、多栏排版、复杂表格。
• 多种切分模板：通用、论文、法律、手册、表格、图片等预设模板，针对不同文档类型优化切分策略。
• 混合检索：向量检索 + 全文检索（BM25）+ 重排序（Rerank），三路融合提升召回。
• 引用溯源：回答会标注来自原文的哪一页、哪一段，可点击查看出处。
• 可视化调试：可以看到每个 chunk 的内容、向量相似度分数，调参直观。
• 多模型接入：支持 OpenAI、DeepSeek、通义、Ollama、本地嵌入模型。
• API 优先：所有功能都有 REST API，可嵌入自有应用。

环境要求

详细部署步骤

第一步：安装 Docker

curl -fsSL https://get.docker.com | bash
systemctl start docker && systemctl enable docker
docker --version && docker compose version

第二步：克隆 RAGFlow

cd /opt
git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker

第三步：配置环境变量

# 编辑 .env 文件
vim .env

# 关键配置：
# 服务器内存小于 16GB 用 slim 镜像；大于 16GB 用完整镜像
# 镜像版本在 docker-compose.yml 中修改：
#   ragflow:ragflow:x.y.y-slim   # 轻量版（CPU 推理，约 2GB）
#   ragflow:ragflow:x.y.y       # 完整版（含本地 embedding 模型，约 9GB）

# 时区
TIMEZONE=Asia/Shanghai

# 端口（默认 80，被占用就改）
SVR_HTTP_PORT=9380

第四步：启动 RAGFlow

# 拉取镜像并启动
docker compose up -d

# 查看日志，等待初始化完成
docker compose logs -f ragflow

首次启动会下载模型文件，需要 5-15 分钟，看到 Uvicorn running on http://0.0.0.0:9380 即启动成功。

第五步：初始化账号

浏览器访问 http://你的服务器IP:9380：

• 首次使用点击"注册"
• 输入邮箱、密码（管理员账号）
• 登录后进入主界面

第六步：配置 LLM 模型

右上角头像 → 模型提供商，以 DeepSeek 为例：

1. 选择 DeepSeek
2. 填入 API Key
3. 保存，设为默认聊天模型

如果用本地 Ollama：

1. 选择 Ollama
2. 服务器地址填 http://host.docker.internal:11434（Docker 内访问宿主）
3. 填入模型名（如 qwen2.5:7b）

第七步：创建知识库并上传文档

1. 左侧"知识库" → 新建知识库
2. 选择切片方法：
   • General：通用文档，适合普通文本
   • Book：书籍类，保留章节结构
   • Paper：学术论文，按摘要/引言/方法切分
   • Law：法律条文，按条款切分
   • Manual：产品手册
   • Table：纯表格文档
3. 选择 Embedding 模型（如 BAAI/bge-large-zh-v1.5）
4. 上传 PDF / Word / Excel / TXT
5. 等待解析完成（状态变为"已完成"）

第八步：测试检索效果

1. 进入知识库 → "测试"标签
2. 输入一个问题，查看召回的 chunks 和相似度分数
3. 调整 Top N、相似度阈值、重排序开关
4. 满意后进入"聊天" → 新建助手，关联该知识库

第九步：API 调用

在"头像 → API"中生成 API Key，然后：

# 发起对话
curl -X POST 'http://your-server:9380/api/v1/chats/chat-id/completions' \
  -H 'Authorization: Bearer YOUR_API_KEY' \
  -H 'Content-Type: application/json' \
  -d '{
    "question": "这份文件的核心结论是什么？",
    "stream": false
  }'

常见坑与解决

• OOM 启动失败：8GB 内存机器用 slim 镜像，并设置 MEM_LIMIT=4G。
• PDF 解析乱码：扫描件需要 OCR，确认用的是完整版镜像（不是 slim）。
• 中文检索效果差：Embedding 模型选中文优化的 bge-large-zh，不要用英文模型。
• 文档上传后一直 parsing：检查 Elasticsearch 状态 docker compose logs es，通常是内存不足。

使用方法示例

默认端口 9380，注册第一个账号即为管理员。RAGFlow 内置的 Elasticsearch + Infinity 向量数据库全部在 Docker 内，无需额外安装。生产环境建议把 9380 端口反代到 Nginx 并加 HTTPS。

常见问题 FAQ

Q1：RAGFlow 和 Dify 知识库有什么区别？
A：RAGFlow 专注文档解析深度，复杂 PDF/表格处理能力强；Dify 是全功能 LLM 平台，知识库只是其中一个模块。如果你主要需求是"喂大量 PDF 进去问答"，RAGFlow 更好；如果还要工作流和 Agent，选 Dify。

Q2：支持多少并发？
A：默认 Docker 配置支持 10-50 并发，生产环境建议加 GPU 跑 Embedding 和 Rerank，并用 Nginx 负载均衡。

Q3：数据存在哪里？
A：文档原文和 chunk 存在 Elasticsearch，向量存在 Infinity/ES，元数据存在 MySQL。都在 Docker volumes 里。

Q4：能微调模型吗？
A：RAGFlow 是 RAG 引擎，不做微调。它的定位是检索增强，不是训练平台。

Q5：开源协议？
A：基于 Apache 2.0，允许商用。

跳转链接

• GitHub 仓库：https://github.com/infiniflow/ragflow
• 官方文档：https://ragflow.io/docs/dev/
• 在线 Demo：https://demo.ragflow.io