RAGFlow：深度文档理解的企业级 RAG 引擎

RAG 的关键瓶颈：文档理解

绝大多数 RAG 系统都卡在同一个环节：文档解析。PDF 里的多栏布局、表格跨页、图片中的文字，这些用普通的文本切分（Text Splitter）根本处理不了。结果是：索引进去了，检索出来的却是残缺不全的片段，LLM 也就无法给出准确的回答。

RAGFlow 的切入点就是解决这个问题。它不是"先切文本再建索引"的思路，而是先还原文档的布局结构，再基于视觉理解做切片。

GitHub 数据

核心功能解析

深度文档解析（DeepDoc）

RAGFlow 内置的 DeepDoc 模块，不只是做 OCR——它对文档做版面分析（Layout Analysis）：

• 识别标题层级，构建目录树
• 区分正文、页眉页脚、脚注
• 解析表格结构（支持合并单元格）
• 提取图片中的文字（OCR）

处理后的文档以 JSON 结构保存——保留原始的布局信息。这让 RAG 的检索能做到"根据第三章第二节的内容回答"，而不是"根据第 3 个切片的片段回答"。

可视化配置管线

RAGFlow 自带 Web UI，不需要写代码就能搭建完整的 RAG 管线：

1. 上传文档（PDF / Word / Excel / PPT / 图片）
2. 选择解析模板（通用 / 论文 / 表格密集型 / 法律合同）
3. 配置切片策略（大小 / 重叠率 / 是否保留标题）
4. 选择 Embedding 模型（内置 BGE / 通义 / OpenAI 等）
5. 选择对话模型（Ollama 本地 / OpenAI / DeepSeek）
6. 上线知识库

全程鼠标操作，IT 支持人员也能独立完成。

混合检索

内置稠密+稀疏混合检索（Dense + Sparse Retrieval），融合向量相似度和 BM25 关键词匹配。在中文企业文档测试中，混合检索的 Recall@5 比单一向量检索高出 15-20%。

快速上手

# 使用 Docker 一键部署
git clone https://github.com/infiniflow/ragflow.git
cd ragflow
docker compose -f docker/docker-compose.yml up -d

# 浏览器访问 http://localhost:9380
# 默认账号: admin / admin

技术架构亮点

RAGFlow 的管线采用了流水线并行架构。文档解析、切片、向量化三个步骤可以分别由不同的 Worker 处理，中间通过消息队列（RabbitMQ）解耦。这意味着：

• 上传 1000 份 PDF 不会阻塞系统
• 解析完成的文档立即进入切片队列
• 切片完成后立即触发向量化

对于中文文档，RAGFlow 做了特别优化——支持多种中文分词器，对中英文混排、竖排文字、手写体都有专门的预处理策略。

同类对比

总结

RAGFlow 的差异化价值在于：它不把文档当文本处理，而是当版面处理。对于需要处理复杂 PDF、表格、多栏布局的企业场景（法律合同审查、金融财报分析、学术论文问答），RAGFlow 是目前开源社区里最好的选择。推荐给：企业知识库搭建者、文档密集型行业的 AI 应用开发者、中文 NLP 从业者。