RAGFlow：企业级 RAG 引擎，让文档真正被理解

RAGFlow：企业级RAG引擎，让文档真正被理解

RAGFlow 解决的问题很具体：企业里大量 PDF、Word、Excel、PPT 等非结构化文档，传统 Search 和 RAG 方案要么解析成纯文本丢失排版与表格结构，要么分块后无法准确回答依赖表格、列表、长文档跨段的问题。RAGFlow 通过深度文档解析 + 智能分块 + 混合检索，让系统能理解文档的物理布局和语义结构，从而给出基于事实的、带引用的准确回答。

GitHub 数据

项目背景

RAGFlow 由 infiniflow 团队开发，核心成员来自阿里、微软等企业，有多年搜索引擎和 NLP 工程经验。团队发现现有的 RAG 框架（如 LangChain 的 naive RAG）在面对真实企业文档时问题突出：

• PDF 中的表格、图片、页眉页脚被简单丢弃或按文本流截断；
• 分块策略缺乏对文档结构的感知，导致同一表格被切到不同 chunk；
• 检索轮询后无法提供引用源，用户不敢信任回答。

RAGFlow 的定位是“企业级”，意味着它必须处理文档多样性、保证高精度、提供可视化配置和 API。因此从底层文档解析器到检索流水线完全自研，而非简单包装 LLM。

核心功能解析

深度文档解析（Deep Document Parsing）

不同于大多数 RAG 工具调用 PyMuPDF、python-docx 等通用库，RAGFlow 内置基于深度学习布局分析的解析器。它能识别表格边界、合并单元格、列表层级、图片位置，并保留原始排版信息。解析结果以结构化 JSON 输出，包含每个元素的类型（text/table/table_row/list_item/picture）、坐标、字体信息。

配置解析时，可在系统设置中选择解析方式。例如通过 API 触发解析：

# 通过 REST API 上传文档并解析
curl -X POST http://localhost:9380/api/v1/dataset/upload 
  -H "Authorization: Bearer <your-token>" 
  -F "file=@report.pdf" 
  -F "parser_config={"layout_recognition":"deep","table_recovery":true}"

智能分块与检索

RAGFlow 提供多种分块策略：滑动窗口（固定 token 数，可重叠）、段落感知（基于标题/空行自然分割）、表格保持（保证同一表格不跨块）。分块后自动生成向量和全文索引，支持 Hybrid Search（向量相似度 + BM25 关键词）与 Rerank 重排序。检索结果会附带来源快照（PDF 截图），方便验证。

在配置文件或 API 中可设置分块参数：

# chunk_tokens 控制每块最大 token 数，chunk_overlap 控制重叠 token
{
  "chunk_method": "ragflow_auto",
  "chunk_tokens": 512,
  "chunk_overlap": 64,
  "embedding_model": "BAAI/bge-large-zh-v1.5"
}

内置 Rerank 与引用溯源

检索出 top-K 候选后，RAGFlow 使用 Cross-Encoder 模型对结果重新排序，提升精度。最终 LLM 回答时，每个句子后面可自动生成脚注引用，点击脚注展示原始文档的截屏片段。这是企业级场景的刚需，尤其合规审计时。

快速上手

推荐通过 Docker Compose 部署，一条命令启动所有服务（包括 Elasticsearch、MySQL、Redis、MinIO）：

# 克隆仓库
git clone https://github.com/infiniflow/ragflow.git
cd ragflow

# 使用 docker-compose 启动（默认使用 CPU 推理）
docker compose -f docker-compose.yml up -d

# 如需 GPU 加速，使用 GPU 版本
docker compose -f docker-compose-gpu.yml up -d

# 访问 http://localhost:9380 进入 Web UI
# 初始用户名 admin，密码 ragflow

然后上传一个 PDF，选择解析模型，创建知识库，即可在对话界面测试。

技术亮点

RAGFlow 最值得关注的设计决策是 文档解析与分块的解耦。解析阶段输出带布局标签的元素序列，分块阶段则根据标签类型和用户配置（如最小块大小、最大块数、表格强制完整）动态划分。这种架构避免了“先分块再解析”导致的语义断裂，也支持插入自定义解析器。例如，工程师可以绕过内置的深度模型，直接提供已解析好的 JSON 数据。

另一个工程亮点是 流式文档处理流水线：上传文档后立即开始解析，解析结果写入消息队列，后台 worker 并行进行分块、向量化、全文索引，整个过程异步非阻塞。这意味着一个大文件（几百页 PDF）上传后，用户几乎不需要等待即可进行搜索（实际索引尚未完成时，系统自动使用部分数据返回结果，并逐步更新）。

另外，RAGFlow 的 多轮对话记忆管理 并非依赖 LLM 的 context window，而是将历史记录结构化存储到向量库中，每次查询自动检索相关历史，从而支持超长对话而不超出上下文限制。

同类对比

总结

如果你的业务需要从 PDF/Word 中准确提取表格数据、列表排名、合并单元格信息，并且对回答的出处有严格审计要求（金融、法律、医疗），RAGFlow 是目前开源方案中唯一能真正做到“文档结构理解”的企业级引擎。

推荐人群：企业知识库搭建者、RAG 系统开发工程师、需要高精度文档问答的团队。