RAGFlow：OCR 驱动的开源 RAG 引擎

🔎 系统架构

🔧 构建 Docker 镜像

🔨 从源码启动服务进行开发

RAGFlow 是领先的开源检索增强生成（Retrieval-Augmented Generation，RAG）引擎，它将前沿的 RAG 技术与 Agent 能力相融合，为 LLM 打造更出色的上下文层。RAGFlow 提供了一套精简高效的 RAG 工作流，可适配各种规模的企业。凭借融合式上下文引擎和预构建的 Agent 模板，RAGFlow 让开发者能够以卓越的效率和精度，将复杂数据转化为高保真、可用于生产环境的 AI 系统。

欢迎体验我们的云服务：https://cloud.ragflow.io。

2026-06-15 支持飞书、Discord、Telegram、Line 等多种聊天渠道。

2026-04-24 支持 DeepSeek v4。

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

2025-12-26 AI Agent 支持「Memory」。

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 支持将 MinerU 和 Docling 用作文档解析方式。

2025-10-15 支持可编排的数据摄取流水线。

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 为 Agent 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 文件中的图像。

⭐️ Star 我们的代码仓库，及时了解令人期待的新功能与改进！第一时间获取新版本发布通知！🌟

🍭「输入有质量，输出才有质量」

基于深度文档理解，从格式复杂的非结构化数据中提取知识。

即使面对几乎不受 token 数量限制的海量数据，也能找到“数据草堆中的针”。

🍱 基于模板的分块

智能且可解释。

提供丰富的模板选项。

🌱 有依据的引用，减少幻觉

将文本分块过程可视化，支持人工干预。

快速查看关键参考内容和可追溯引用，为有依据的回答提供支撑。

🍔 兼容异构数据源

支持 Word、Slides、Excel、TXT、图像、扫描件、结构化数据、网页等多种格式。

🛀 自动、轻松的 RAG 工作流

为个人和大型企业量身打造精简的 RAG 编排流程。

LLM 和 embedding 模型均可配置。

多路召回与融合重排序相结合。

提供直观的 API，可与业务无缝集成。

🔎 系统架构

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

gVisor：仅当你计划使用 RAGFlow 的代码执行器（sandbox）功能时才需要。

如果你的本地计算机（Windows、Mac 或 Linux）尚未安装 Docker，请参阅 Install 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。如果低于该值，请将 vm.max_map_count 重设为至少 262144。# 在本例中，我们将其设为 262144：sudo sysctl -w vm.max_map_count=262144。系统重启后，此项更改会被重置。为确保更改永久生效，请在 /etc/sysctl.conf 中相应添加或更新 vm.max_map_count 的值：vm.max_map_count=262144

确保 vm.max_map_count >= 262144：

检查 vm.max_map_count 的值：

sysctl vm.max_map_count

如果低于该值，请将 vm.max_map_count 重设为至少 262144。

# In this case, we set it to 262144:
sudo sysctl -w vm.max_map_count=262144

系统重启后，此项更改会被重置。为确保更改永久生效，请在 /etc/sysctl.conf 中相应添加或更新 vm.max_map_count 的值：

vm.max_map_count=262144

克隆代码仓库：git clone https://github.com/infiniflow/ragflow.git

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

使用预构建的 Docker 镜像启动服务器：

使用预构建的 Docker 镜像启动服务器：

所有 Docker 镜像都面向 x86 平台构建。目前我们尚未提供 ARM64 的 Docker 镜像。如果你使用的是 ARM64 平台，请按照本指南构建与你的系统兼容的 Docker 镜像。

下面的命令会下载 v0.26.4 版本的 RAGFlow Docker 镜像。不同 RAGFlow 版本的说明请参阅下表。如果要下载 v0.26.4 之外的 RAGFlow 版本，请先在 docker/.env 中相应更新 RAGFLOW_IMAGE 变量，再使用 docker compose 启动服务器。

   cd ragflow/docker

   git checkout v0.26.4
   # Optional: use a stable tag (see releases: https://github.com/infiniflow/ragflow/releases)
   # This step ensures the **entrypoint.sh** file in the code matches the Docker image version.

   # Use CPU for DeepDoc tasks:
   docker compose -f docker-compose.yml up -d

   # To use GPU to accelerate DeepDoc tasks:
   # sed -i '1i DEVICE=gpu' .env
   # docker compose -f docker-compose.yml up -d

注意：在 v0.22.0 之前，我们同时提供包含 embedding 模型的镜像，以及不含 embedding 模型的 slim 镜像。具体如下：

从 v0.22.0 开始，我们只发布 slim 版本，并且不再在镜像 tag 后追加 -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。出现以下输出，表示系统启动成功：____ ___ ______ ______ __ / __ \ / | / // // / _ __ / // // /| | / / __ / / / // __ | | /| / / / , // ___ |/ // // __/ / // // /| |/ |/ / // ||// ||_/// // _/ |/|__/ * Running on all addresses (0.0.0.0)。如果跳过这个确认步骤，直接登录 RAGFlow，浏览器可能会提示网络异常，因为此时 RAGFlow 可能尚未完成初始化。

服务器启动并运行后，检查服务器状态：

docker logs -f docker-ragflow-cpu-1

出现以下输出，表示系统启动成功：

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

 * Running on all addresses (0.0.0.0)

如果跳过这个确认步骤，直接登录 RAGFlow，浏览器可能会提示网络异常，因为此时 RAGFlow 可能尚未完成初始化。

在浏览器中输入服务器的 IP 地址，然后登录 RAGFlow。使用默认设置时，只需输入 http://IP_OF_YOUR_MACHINE（不含端口号），因为采用默认配置时，可以省略默认的 HTTP 服务端口 80。

在浏览器中输入服务器的 IP 地址，然后登录 RAGFlow。

使用默认设置时，只需输入 http://IP_OF_YOUR_MACHINE（不含端口号），因为采用默认配置时，可以省略默认的 HTTP 服务端口 80。

在 service_conf.yaml.template 中，通过 user_default_llm 选择所需的 LLM factory，并在 API_KEY 字段中填入对应的 API key。更多信息请参阅 llm_api_key_setup。大功告成！

在 service_conf.yaml.template 中，通过 user_default_llm 选择所需的 LLM factory，并在 API_KEY 字段中填入对应的 API key。

更多信息请参阅 llm_api_key_setup。

涉及系统配置时，你需要管理以下文件：

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

service_conf.yaml.template：配置后端服务。Docker 容器启动时，会自动填充该文件中的环境变量。Docker 容器中设置的任何环境变量都可供使用，因此你可以根据部署环境自定义服务行为。

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

./docker/README 文件详细说明了环境设置和服务配置；这些设置可以在 service_conf.yaml.template 文件中以 ${ENV_VARS} 的形式使用。

如需修改默认 HTTP 服务端口（80），请打开 docker-compose.yml，将 80:80 改为 <YOUR_SERVING_PORT>:80。

更新上述配置后，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 存储全文数据和向量。如需切换到 Infinity，请按以下步骤操作：

停止所有正在运行的容器：docker compose -f docker/docker-compose.yml down -v

停止所有正在运行的容器：

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

-v 会删除 Docker 容器的 volumes，现有数据也会被清除。

将 docker/.env 中的 DOC_ENGINE 设置为 infinity。

将 docker/.env 中的 DOC_ENGINE 设置为 infinity。

启动容器：docker compose -f docker/docker-compose.yml up -d

启动容器：

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

目前尚未正式支持在 Linux/arm64 计算机上切换到 Infinity。

🔧 构建 Docker 镜像

该镜像大小约为 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 .

如果你使用了代理，也可以传入代理参数：

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

首次克隆代码仓库后，请在仓库根目录分别运行一次 git config --local --unset core.hooksPath、uv tool install lefthook 和 lefthook install，以启用本地 Git hooks。

安装 uv；如果已经安装，可以跳过此步骤：pipx install uv

安装 uv；如果已经安装，可以跳过此步骤：

pipx install uv

克隆源代码并安装 Python 依赖：git clone https://github.com/infiniflow/ragflow.git cd ragflow/ uv sync --python 3.13 # 安装 RAGFlow 依赖的 Python 模块 uv run python3 ragflow_deps/download_deps.py git config --local --unset core.hooksPath uv tool install lefthook lefthook install

克隆源代码并安装 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 中添加以下内容，将 docker/.env 中指定的所有主机都解析到 127.0.0.1：127.0.0.1 es01 infinity mysql minio redis sandbox-executor-manager

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 中添加以下内容，将 docker/.env 中指定的所有主机都解析到 127.0.0.1：

127.0.0.1       es01 infinity mysql minio redis sandbox-executor-manager

如果无法访问 HuggingFace，请设置 HF_ENDPOINT 环境变量以使用镜像站点：export HF_ENDPOINT=https://hf-mirror.com

如果无法访问 HuggingFace，请设置 HF_ENDPOINT 环境变量以使用镜像站点：

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

如果你的操作系统中没有 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

如果你的操作系统中没有 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

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

安装前端依赖：

cd web
npm install

启动前端服务：npm run dev。出现以下输出，表示系统启动成功：

启动前端服务：

npm run dev

出现以下输出，表示系统启动成功：

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"

请参阅 RAGFlow Roadmap 2026。

RAGFlow 因开源协作而蓬勃发展。秉持这一精神，我们欢迎来自社区的多元贡献。如果你希望参与其中，请先阅读我们的 Contribution Guidelines。