RAGFlow v0.4：开源 RAG 引擎支持 DeepSeek v4 与多渠道聊天

🔎 系统架构

🔧 构建 Docker 镜像

🔨 从源码启动服务进行开发

RAGFlow 是一个领先的开源检索增强生成（RAG）引擎，将前沿的 RAG 与 AI 智能体能力融合，为大语言模型打造卓越的上下文层。它提供精简的 RAG 工作流程，可适配任意规模的企业。RAGFlow 由收敛型上下文引擎和预置 AI 智能体模板驱动，使开发者能够将复杂数据转化为高保真、生产就绪的 AI 系统，兼具卓越的效率和精准度。

请访问 https://cloud.ragflow.io 体验我们的云服务。

2026-06-15 支持多种聊天渠道，如飞书、Discord、Telegram、Line 等。

2026-04-24 支持 DeepSeek v4。

2026-03-24 RAGFlow Skill on OpenClaw — 提供官方 skill，可通过 OpenClaw 访问 RAGFlow 数据集。

2025-12-26 支持 AI 智能体的「记忆」功能。

2025-11-19 支持 Gemini 3 Pro。

2025-11-12 支持从 Confluence、S3、Notion、Discord、Google Drive 同步数据。

2025-10-23 支持 MinerU 和 Docling 作为文档解析方法。

2025-10-15 支持可编排的 ingestion pipeline。

2025-08-08 支持 OpenAI 最新的 GPT-5 系列模型。

2025-08-01 支持 Agentic Workflow 和 MCP。

2025-05-23 在 Agent 中新增 Python/JavaScript 代码执行器组件。

2025-03-19 支持使用多模态模型理解 PDF 或 DOCX 文件中的图片。

⭐️ 给我们的仓库点个 Star 以跟踪激动人心的新功能和更新！获取新版本的即时通知！🌟

🍭 「质量输入，质量输出」

基于深度文档理解，从具有复杂格式的非结构化数据中进行知识提取。

在真正无限量的 token 数据堆中找出「针」。

🍱 基于模板的分块

智能且可解释。

提供丰富的模板选项供选择。

🌱 减少幻觉的 grounded 引用

可视化文本分块，支持人工介入。

快速查看关键参考文献和可追溯的引用，以支撑 grounded 回答。

🍔 异构数据源的兼容性

支持 Word、幻灯片、Excel、TXT、图片、扫描件、结构化数据、网页等。

🛀 自动化且轻松的 RAG 工作流

为个人和大型企业量身定制的精简 RAG 编排。

可配置的 LLM 以及向量化模型。

多次召回配合融合重排序。

直观的 API 实现与业务系统的无缝集成。

🔎 系统架构

Docker >= 24.0.0 & Docker Compose >= v2.26.1

gVisor：仅在您打算使用 RAGFlow 的代码执行器（沙箱）功能时才需要。

如果您尚未在本地机器（Windows、Mac 或 Linux）上安装 Docker，请参阅安装 Docker Engine。

🚀 启动服务器

确保 vm.max_map_count >= 262144：检查 vm.max_map_count 的值：

sysctl vm.max_map_count

如果不符合要求，将其重置为至少 262144：

# 此处将其设置为 262144：
sudo sysctl -w vm.max_map_count=262144

此更改将在系统重启后重置。为确保更改永久生效，请在 /etc/sysctl.conf 中相应地添加或更新 vm.max_map_count 值：

vm.max_map_count=262144

克隆仓库：

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

使用预构建的 Docker 镜像启动服务器：

所有 Docker 镜像均为 x86 平台构建。我们目前不提供 ARM64 的 Docker 镜像。如果您使用的是 ARM64 平台，请按照本指南构建与您的系统兼容的 Docker 镜像。

以下命令下载 RAGFlow Docker 镜像的 v0.26.4 版本。不同 RAGFlow 版本的具体说明见下表。如需下载 v0.26.4 以外版本的 RAGFlow，请在启动服务前根据 docker/.env 中的 RAGFLOW_IMAGE 变量更新相应版本，再使用 docker compose 启动服务。

cd ragflow/docker

git checkout v0.26.4
   # 可选：使用稳定标签（参见 releases：https://github.com/infiniflow/ragflow/releases）
   # 此步骤确保代码中的 **entrypoint.sh** 文件与 Docker 镜像版本匹配。

# 使用 CPU 处理 DeepDoc 任务：
   docker compose -f docker-compose.yml up -d

# 使用 GPU 加速 DeepDoc 任务：
   # sed -i '1i DEVICE=gpu' .env
   # docker compose -f docker-compose.yml up -d

注意：在 v0.22.0 之前，我们同时提供带向量化模型的镜像和不带向量化模型的 slim 镜像。详情如下：

从 v0.22.0 起，我们仅发布 slim 版本，不再在镜像标签后附加 -slim 后缀。

服务器启动并运行后，检查服务器状态：

docker logs -f docker-ragflow-cpu-1

以下输出确认系统成功启动：

      ____   ___    ______ ______ __
     / __ \ /   |  / ____// ____// /____  _      __
    / /_/ // /| | / / __ / /_   / // __ \| | /| / /
   / _, _// ___ |/ /_/ // __/  / // /_/ /| |/ |/ /
  /_/ |_|/_/  |_|\____//_/    /_/ \____/ |__/|__/

* Running on all addresses (0.0.0.0)

如果跳过此确认步骤而直接登录 RAGFlow，你的浏览器可能会提示网络异常错误，因为此时 RAGFlow 可能尚未完全初始化。

在 Web 浏览器中输入服务器 IP 地址并登录 RAGFlow。使用默认设置时，只需输入 http://IP_OF_YOUR_MACHINE（省略端口号），因为默认 HTTP 服务端口 80 在默认配置下可省略。

在 Web 浏览器中输入服务器 IP 地址并登录 RAGFlow。

使用默认设置时，只需输入 http://IP_OF_YOUR_MACHINE（省略端口号），因为默认 HTTP 服务端口 80 在默认配置下可省略。

在 service_conf.yaml.template 中，在 user_default_llm 中选择所需的 LLM 厂商，并更新相应 API key 的 API_KEY 字段。详见 llm_api_key_setup。

在 service_conf.yaml.template 中，在 user_default_llm 中选择所需的 LLM 厂商，并更新相应 API key 的 API_KEY 字段。

详见 llm_api_key_setup。

在系统配置方面，你需要管理以下文件：

.env：保存系统的基础设置，如 SVR_HTTP_PORT、MYSQL_PASSWORD 和 MINIO_PASSWORD。

service_conf.yaml.template：配置后端服务。该文件中的环境变量会在 Docker 容器启动时自动填充。Docker 容器内设置的任何环境变量均可使用，允许你根据部署环境自定义服务行为。

docker-compose.yml：系统依赖 docker-compose.yml 来启动。

./docker/README 文件提供了详细的环境设置和服务配置说明，这些配置可用作 service_conf.yaml.template 中的 ${ENV_VARS}。

要更新默认 HTTP 服务端口（80），请前往 docker-compose.yml 将 80:80 改为 <YOUR_SERVING_PORT>:80。

上述配置的更新需要重启所有容器才能生效：

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

将文档引擎从 Elasticsearch 切换到 Infinity

RAGFlow 默认使用 Elasticsearch 存储全文和向量。要切换到 Infinity，请按以下步骤操作：

停止所有运行中的容器：

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

-v 会删除 Docker 容器卷，现有数据将被清除。

在 docker/.env 中将 DOC_ENGINE 设置为 infinity。

在 docker/.env 中将 DOC_ENGINE 设置为 infinity。

启动容器：

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

在 Linux/arm64 机器上切换到 Infinity 尚未正式支持。

🔧 构建 Docker 镜像

此镜像约 2 GB，依赖外部 LLM 和 embedding 服务。

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

如果你在代理后面，可以通过以下方式传递代理参数：

docker build --platform linux/amd64 \
  --build-arg http_proxy=http://YOUR_PROXY:PORT \
  --build-arg https_proxy=http://YOUR_PROXY:PORT \
  -f Dockerfile -t infiniflow/ragflow:nightly .

🔨 从源码启动服务进行开发

首次克隆仓库后，需要从仓库根目录运行一次 git config --local --unset core.hooksPath、uv tool install lefthook 和 lefthook install，以启用本地 Git hooks。

安装 uv，如果已安装可跳过此步骤：

pipx install uv

克隆源码并安装 Python 依赖：

git clone https://github.com/infiniflow/ragflow.git
cd ragflow/
uv sync --python 3.13 # install RAGFlow dependent python modules
uv run python3 ragflow_deps/download_deps.py
git config --local --unset core.hooksPath
uv tool install lefthook
lefthook install

使用 Docker Compose 启动依赖服务（MinIO、Elasticsearch、Redis 和 MySQL）：

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

在 /etc/hosts 中添加以下行，将 docker/.env 中指定的所有主机名解析到 127.0.0.1：

127.0.0.1       es01 infinity mysql minio redis sandbox-executor-manager

如果你无法访问 HuggingFace，可以设置 HF_ENDPOINT 环境变量来使用镜像站点：

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

如果你的操作系统没有 jemalloc，请按以下方式安装：

# Ubuntu
sudo apt-get install libjemalloc-dev
# CentOS
sudo yum install jemalloc
# OpenSUSE
sudo zypper install jemalloc
# macOS
brew install jemalloc

启动后端服务：

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

安装前端依赖：

cd web
npm install

启动前端服务：

npm run dev

以下输出确认系统成功启动：

启动前端服务：

npm run dev

以下输出确认系统成功启动：

开发完成后停止 RAGFlow 前端和后端服务：

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

开发完成后停止 RAGFlow 前端和后端服务：

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

参见 RAGFlow 2026 路线图

RAGFlow 通过开源协作蓬勃发展。本着这一精神，我们欢迎社区的多样化贡献。如果你希望成为其中一员，请先阅读我们的贡献指南。