ragflow/README_zh.md

Cloud | Document | Roadmap | Discord

📕 目录

• 💡 RAGFlow 是什么？
• 🎮 快速开始
• 📌 近期更新
• 🌟 主要功能
• 🔎 系统架构
• 🏠 本地部署
• 📚 技术文档
• 📜 路线图
• 🏄 贡献指南
• 🙌 加入社区
• 🤝 商务合作

💡 RAGFlow 是什么？

RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，通过融合前沿的 RAG 技术与 Agent 能力，为大型语言模型提供卓越的上下文层。它提供可适配任意规模企业的端到端 RAG 工作流，凭借融合式上下文引擎与预置的 Agent 模板，助力开发者以极致效率与精度将复杂数据转化为高可信、生产级的人工智能系统。

🎮 快速开始

请登录网址 https://cloud.ragflow.io 体验云服务。

如果想在本地部署，请参阅本地部署。

🔥 近期更新

• 2026-09-30 发布 RAGFlow 1.0.0-rc1。
• 2026-09-10 支持通过 Sitemap 接入网站内容。
• 2026-08-19 推出知识编译，支持在文档级和知识库级生成 Wiki、Graph、Tree、PageIndex、Mind Map、Timeline 及 Skills。
• 2026-08-19 推出 Agentic RAG，支持 Low、Medium、High、Ultra 四种思考模式。
• 2026-07-02 支持 Google BigQuery 数据源接入与增量同步。

更多更新请参阅完整发布记录。

🎉 关注项目

⭐️ 点击右上角的 Star 关注 RAGFlow，可以获取最新发布的实时通知！🌟

🌟 主要功能

🍭 "Quality in, quality out"

• 基于深度文档理解，能够从各类复杂格式的非结构化数据中提取真知灼见。
• 真正在无限上下文（token）的场景下快速完成大海捞针测试。

🍱 基于模板的文本切片

• 不仅仅是智能，更重要的是可控可解释。
• 多种文本模板可供选择。

🧩 知识编译（Knowledge Compilation）

• 支持文档级和知识库级编译，将原始内容组织为结构化的知识产物。
• 通过编译模板生成 Wiki、Graph、Tree、PageIndex、Mind Map、Timeline 及 Skills，满足不同的知识组织和复用需求。
• 支持配置编译模型与处理规则，并查看、更新和重新生成知识产物。

🧠 Agentic Retrieval

• 面向复杂问题进行多步检索：模型会分析问题，并在需要时执行问题拆解、知识检索和证据核验。
• 通过多轮检索与推理获取更完整的上下文，帮助生成有依据的回答。
• 支持 Low、Medium、High、Ultra 思考模式，可按问题复杂度控制检索和推理深度。

🌱 有理有据、最大程度降低幻觉（hallucination）

• 文本切片过程可视化，支持手动调整。
• 有理有据：答案提供关键引用的快照并支持追根溯源。

🍔 兼容各类异构数据源

• 支持丰富的文件类型，包括 Word 文档、PPT、Excel 表格、TXT 文件、图片、PDF、影印件、复印件、结构化数据、网页等。

🛀 全程无忧、自动化的 RAG 工作流

• 自动化的 RAG 工作流可以支持从个人应用乃至超大型企业的各类生态系统。
• 大语言模型 LLM 以及向量模型均支持配置。
• 基于多路召回、融合重排序。
• 提供易用的 API，可以轻松集成到各类企业系统。

🔎 系统架构

🏠 本地部署

本地部署提供 Docker 部署和源码启动两种方式：Docker 适合快速体验、集成测试和生产部署；源码启动适合 RAGFlow 开发和调试。Docker 部署无需安装 Go 编译器，源码启动需要安装 go.mod 指定版本的 Go 编译器；前端开发还需要 Node.js 和 npm。

🐳 Docker 部署

📝 Docker 部署前提条件

• 建议起步配置：4 核 CPU、16 GB 内存和 50 GB 可用磁盘。实际资源需求取决于文档引擎、数据规模、解析任务和并发量；启用本地模型或其他额外组件时，请同时满足相应组件的资源要求。
• Docker ≥ 24.0.0，Docker Compose ≥ v2.26.1。

⚠️ 提示： 如果你尚未在本机安装 Docker（Windows、macOS 或 Linux），可以参考 Install Docker Engine 自行安装。

🚀 启动服务器

1. 如果使用 Elasticsearch，将 Docker 宿主机的 vm.max_map_count 设置为至少 262144。使用 Infinity 时则不需要执行此步骤：

   如需确认 vm.max_map_count 的大小：

   sysctl vm.max_map_count
   

   如果使用 Elasticsearch 且 vm.max_map_count 的值小于 262144，可以进行重置：

   # 这里我们设为 262144:
   sudo sysctl -w vm.max_map_count=262144
   

   你的改动会在下次系统重启时被重置。如果希望做永久改动，还需要在 /etc/sysctl.conf 文件里把 vm.max_map_count 的值再相应更新一遍：

   vm.max_map_count=262144
   

2. 克隆仓库：

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

3. 切换到发布标签并使用 Docker Compose 启动服务器：

   进入仓库中的 Docker 部署目录。

   cd ragflow/docker
   

   切换到 v1.0.0-rc1 发布标签。

   git checkout v1.0.0-rc1
   

   在启动 RAGFlow 服务及其依赖服务。

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

   💡 镜像下载提示： 如果无法从默认仓库拉取镜像，请先在 docker/.env 中将 RAGFLOW_IMAGE 设置为以下镜像源之一，并保留 v1.0.0-rc1 标签：

   • 华为云：swr.cn-north-4.myhuaweicloud.com/infiniflow/ragflow:v1.0.0-rc1
   • 阿里云：registry.cn-hangzhou.aliyuncs.com/infiniflow/ragflow:v1.0.0-rc1

   默认 MySQL 配置下，镜像入口会先执行数据库迁移，再启动 Admin、Syncer、Ingestor 和 API 等服务。

   RAGFlow 开源版 1.0 的 DeepDoc 版面分析、OCR 和表格识别使用 CPU 推理。

4. 服务器启动成功后再次确认服务器状态：

   使用 docker ps 检查依赖服务状态；依赖服务显示 healthy 且 RAGFlow 容器持续运行后，通过 HTTP 接口判断 RAGFlow 是否就绪（RAGFlow 容器本身未定义 Compose healthcheck）：

   curl -f http://localhost/api/v1/system/healthz
   

   返回 HTTP 200 后，再访问 Web 页面。如果修改了 SVR_WEB_HTTP_PORT，请将健康检查地址中的端口替换为对应值。

   如果服务启动异常，再查看对应容器日志：

   docker logs --tail 50 ragflow-cpu
   

5. 在你的浏览器中输入你的服务器对应的 IP 地址并登录 RAGFlow。

   上面这个例子中，您只需输入 http://IP_OF_YOUR_MACHINE 即可：未改动过配置则无需输入端口（默认的 HTTP 服务端口 80）。

6. 登录 RAGFlow 后，在模型提供商页面添加 LLM、Embedding 和 Reranker，并填写对应的模型名称、服务地址和 API key。

   详见 llm_api_key_setup。

   好戏开始，接着奏乐接着舞！

详情请见 快速入门指南。

⚙️ Docker 配置与调整

Docker 部署使用 docker/.env 和 docker/docker-compose.yml。镜像、端口、密码、文档引擎及模型镜像源请按Docker 配置说明修改；平台支持（注意：macOS 暂不受支持）请参阅Go Docker 镜像构建与平台支持指南。源码构建 Docker 镜像请参阅Go Docker 镜像构建与平台支持指南。

切换文档引擎、修改配置后重启服务，以及保留或清理已有数据的操作，也请按照上述 Docker 配置文档执行。

🔨 以源代码启动

📝 源码启动前提条件

1. 克隆仓库，并安装 go.mod 中指定版本的 Go 编译器（当前为 Go 1.27）、Clang 20、LLD 20、CMake ≥ 4.0、PCRE2 开发文件 CGO 依赖的静态库；build.sh 会设置所需的构建参数。

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

2. 运行 依赖下载脚本 下载静态库和模型文件：

   python3 -m venv /tmp/ragflow-go-download-venv
   /tmp/ragflow-go-download-venv/bin/python -m pip install requests huggingface-hub
   /tmp/ragflow-go-download-venv/bin/python ragflow_deps/download_deps.py
   ./build.sh --all
   

   下载脚本准备构建所需的静态库和模型资源，并需要 requests 和 huggingface-hub。如果已通过其他方式准备好相同资源，可跳过这一步。Go 服务从仓库根目录启动时会自动查找 internal/rag/res/deepdoc；如需从其他目录启动，请将 DEEPDOC_MODEL_DIR 设为该目录的绝对路径。

3. 编译：

   ./build.sh --all
   

4. 启动本地依赖服务，并确认 conf/service_conf.yaml 中的主机与端口对应宿主机可访问的地址。如果使用 Elasticsearch，还需先将 Docker 主机的 vm.max_map_count 设为至少 262144。

   sudo sysctl -w vm.max_map_count=262144
   docker compose --env-file docker/.env -f docker/docker-compose-base.yml up -d --wait es01 mysql minio nats kvrocks
   

5. 数据迁移：

   ./bin/ragflow_server --migrate
   

6. 启动 4 个终端分别启动 4 个服务：

   终端 1：启动 Admin，监听端口 9381。

   ./bin/ragflow_server --admin
   

   ./bin/ragflow_server --ingestor
   

   终端 3：启动 Syncer。

   ./bin/ragflow_server --syncer
   

   终端 4：启动 API，监听端口 9380。

   ./bin/ragflow_server --api
   

   各启动参数的作用如下：

   • --migrate：执行数据库迁移，完成后即可退出。
   • --admin：启动 Admin 服务，负责管理和初始化操作。
   • --ingestor：启动 Ingestor 服务，负责数据摄取和解析任务。
   • --syncer：启动 Syncer 服务，负责外部数据源的数据同步任务。
   • --api：启动 API 服务，为 Web 和 SDK 提供 API 接口。

7. 仅在前端开发时安装 Node.js 和 npm，然后启动 React 前端：

   cd web
   npm install
   

   服务启动后，运行下面命令来确认 API 服务已就绪：

   curl -f http://127.0.0.1:9380/api/v1/system/healthz
   

   返回 HTTP 200 表示 API 可以正常响应。前端 和 DeepDoc 的完整验证步骤请参阅从源代码启动服务。

详情请见 从源代码启动服务。

📚 技术文档

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

📜 路线图

详见 RAGFlow Roadmap 2026 。

🏄 开源社区

• Discord
• (https://x.com/infiniflowai)
• GitHub Discussions

🙌 贡献指南

RAGFlow 只有通过开源协作才能蓬勃发展。秉持这一精神，我们欢迎来自社区的各种贡献。如果您有意参与其中，请查阅我们的贡献者指南。

🤝 商务合作

• 预约咨询

👥 加入社区

扫二维码添加 RAGFlow 小助手，进 RAGFlow 交流群。