RAGFlow 是 GitHub 上星標超過 87,000 顆的開源檢索增強生成（RAG）引擎，由 infiniflow 團隊開發，以深度文檔理解與 Agent 能力為 LLM 建構高保真上下文層，支援超過 100 種文件格式、可追溯引用與低幻覺輸出，並獲選 GitHub Octoverse 2025 年度頂尖開源項目，是企業知識庫與 RAG 應用領域最具代表性的開源方案之一。
RAGFlow 是 GitHub 逾 8.7 萬星標的開源 RAG 引擎，以深度文檔理解技術將 PDF、Word、掃描檔等複雜文件轉化為 LLM 可用的高保真上下文，支援 100 多種格式與可追溯引用，並獲 GitHub Octoverse 2025 年度頂尖開源項目肯定。
RAGFlow 是什麼？
RAGFlow 由 infiniflow 團隊於 2023 年 12 月創立，定位為「將複雜數據轉化為生產級 AI 系統」的開源引擎。項目融合檢索增強生成與 Agent 能力，建構一套企業可規模化部署的上下文引擎，並提供預建 Agent 模板，讓開發者以高效率與高精度將企業內部的非結構化數據——包括 Word、簡報、Excel、TXT、圖片、掃描文件與網頁——轉化為可供 LLM 查詢的知識資產。
RAGFlow 是 infiniflow 團隊 2023 年 12 月推出的開源 RAG 引擎，將 Word、簡報、Excel、掃描文件與網頁等非結構化數據轉化為 LLM 可查詢的高保真知識資產，並以 Agent 模板支援企業規模化部署。
項目的核心主張是「Quality in, quality out」：透過深度文檔理解技術，從格式複雜的非結構化數據中萃取知識，即使面對「無限 token 的數據草堆」也能找到精確答案。此設計直接回應企業 RAG 落地時最常見的痛點——文件解析品質參差導致檢索結果失準——並以視覺化的文本切割與人工干預機制，讓整個檢索流程可解釋、可調整。
RAGFlow 以「品質輸入、品質輸出」為核心主張，透過深度文檔理解從複雜格式萃取知識，配合視覺化文本切割與人工干預機制，解決企業 RAG 落地時文件解析品質參差導致檢索失準的痛點。
RAGFlow 有哪些核心技術亮點？
深度文檔理解是 RAGFlow 最具差異化的技術之一。項目內建的 DeepDoc 引擎可處理版面複雜的 PDF、掃描件與多欄位文件，支援表格結構還原與版面分析，並於 2025 年 10 月起加入 MinerU 與 Docling 作為替代解析方法，讓開發者依文件類型選擇最合適的解析管線。模板化文本切割則提供多種可解釋的切割選項，取代傳統「按字數硬切」的粗糙做法。
技術亮點有三：DeepDoc 深度文檔理解可處理複雜版面與掃描件並支援 MinerU、Docling 替代解析；模板化文本切割提供可解釋的切割選項；多路召回搭配融合重排序，配合可追溯引用機制顯著降低幻覺。
引用溯源與低幻覺設計是另一項關鍵優勢。系統將文本切割視覺化，允許人工介入調整，並提供關鍵參考的快速檢視與可追溯引用，讓 LLM 的回答「有據可查」，大幅降低生成內容的幻覺比例。在檢索層面，RAGFlow 採用多路召回搭配融合重排序，並相容 Elasticsearch 與自家 Infinity 向量引擎，兼顧全文檢索與向量檢索的互補性。
系統以視覺化切割、人工介入與可追溯引用讓 AI 回答有據可查，顯著降低幻覺；檢索層採用多路召回搭配融合重排序，相容 Elasticsearch 與 Infinity 引擎，兼顧全文與向量檢索的互補優勢。
Agent 化是項目近年的發展重心。2025 年 8 月起 RAGFlow 支援 Agent 工作流與 MCP（Model Context Protocol），同年 5 月加入 Python 與 JavaScript 程式碼執行器，2025 年 12 月加入 AI Agent 記憶功能，2026 年 4 月支援 DeepSeek v4，並持續相容 GPT-5、Gemini 3 Pro 等主流模型。2026 年 6 月更開放飛書、Discord、Telegram、Line 等多個聊天管道，讓知識庫可直接嵌入企業日常協作工具。
項目已全面 Agent 化：支援 Agent 工作流與 MCP 協議、Python 與 JavaScript 程式碼執行器、AI 記憶功能，相容 DeepSeek v4、GPT-5、Gemini 3 Pro 等主流模型，並開放飛書、Discord、Telegram 等多個聊天管道。
如何快速開始使用 RAGFlow？
RAGFlow 提供雲端服務與自架兩種起步方式。最快速的路徑是直接使用官方雲端服務 cloud.ragflow.io，無需準備任何硬件即可體驗完整功能；自架部署則以 Docker Compose 一鍵啟動，硬體要求為 CPU 4 核心以上、記憶體 16 GB 以上、磁碟 50 GB 以上，並需安裝 Docker 24.0 或更新版本，官方預建映像適用於 x86 平台。
快速開始有兩條路徑：直接使用雲端服務 cloud.ragflow.io 免部署體驗；或自架 Docker Compose，硬體要求 CPU 4 核心、記憶體 16 GB、磁碟 50 GB 以上，並需 Docker 24.0 或更新版本，預建映像適用於 x86 平台。
自架流程包含三個步驟：首先確認系統參數 vm.max_map_count 至少為 262144，此參數影響 Elasticsearch 運行；接著以 git clone 複製儲存庫並切換至穩定版本標籤；最後在 docker 目錄下執行 docker compose up -d 啟動服務，需要 GPU 加速 DeepDoc 任務時可於 .env 設定 DEVICE=gpu。服務啟動後，於瀏覽器登入介面，在設定檔中選擇 LLM 供應商並填入 API 金鑰，即可開始建立知識庫。
自架分三步：確認 vm.max_map_count 至少 262144、git clone 並切換穩定版本標籤、執行 docker compose up -d；登入後於設定檔選擇 LLM 供應商並填入 API 金鑰即可建立知識庫，GPU 加速可於 .env 設定 DEVICE=gpu。
RAGFlow 的市場與生態影響是什麼？
RAGFlow 以逾 8.7 萬顆星標與 10,200 多次復刻位居開源 RAG 引擎領域的領先位置，並獲選 GitHub Octoverse 2025 年度頂尖開源項目，此獎項統計全球開發者社群中最受關注的開源專案，具備明確的公信力。Docker Hub 累計逾 360 萬次下載，反映其在企業自架場景的實際滲透度。
RAGFlow 以逾 8.7 萬星標與 1 萬次復刻位居開源 RAG 引擎領先位置，獲選 GitHub Octoverse 2025 年度頂尖開源項目，Docker Hub 累計逾 360 萬次下載，反映企業自架場景的實際滲透度。
生態影響體現在三個層面。其一，項目以「上下文引擎」定位切入 RAG 與 Agent 的交叉地帶，預建 Agent 模板與 MCP 支援使其不只是檢索工具，而是可組裝的 AI 應用底座；其二，2026 年 3 月官方發布 OpenClaw Skill，讓 RAGFlow 資料集可直接被 OpenClaw 等 Agent 平台存取，顯示開源 Agent 生態的雙向整合趨勢；其三，Apache-2.0 授權允許商業使用，吸引企業與新創在此架構上建構自有知識庫系統，形成良性社群迴圈。
影響體現在三層面：以上下文引擎定位切入 RAG 與 Agent 交叉地帶；發布 OpenClaw Skill 整合 Agent 生態；Apache-2.0 授權允許商業使用，吸引企業與新創在架上建構自有知識庫系統。
RAGFlow 值得一試嗎？
對於需要建構企業知識庫的團隊與個人開發者，RAGFlow 值得一試。逾 8.7 萬顆星標與 2026 年 8 月仍持續更新顯示社群認可度與維護品質，Apache-2.0 許可證代表可自由研究與商用部署。對企業而言，深度文檔理解與可追溯引用直接解決 RAG 落地的品質痛點；對開發者而言，Docker 一鍵部署與雲端服務降低了試用門檻，數分鐘內即可建立第一個知識庫。
值得一試。逾 8.7 萬星標與 2026 年 8 月持續更新顯示維護品質，Apache-2.0 授權可自由商用；企業可藉深度文檔理解解決 RAG 品質痛點，開發者可透過 Docker 一鍵部署或雲端服務數分鐘建立知識庫。
需要注意的是，官方預建 Docker 映像僅支援 x86 平台，ARM64 用戶需自行編譯映像，可能增加部署複雜度；完整功能（如程式碼執行器沙箱）需額外安裝 gVisor，GPU 加速亦需自行設定。此外，自架模式依賴 Elasticsearch 或 Infinity 等外部服務，運行資源消耗高於輕量級方案，小型專案或個人使用者可先從雲端服務或精簡映像開始評估。
採用前需注意：預建 Docker 映像僅支援 x86，ARM64 需自行編譯；程式碼執行器需安裝 gVisor；自架依賴 Elasticsearch 或 Infinity，資源消耗較高，小型專案可先從雲端服務或精簡映像開始評估。
出處連結有哪些？
- GitHub 儲存庫：infiniflow/ragflow
- 官方網站：RAGFlow
- 雲端服務：RAGFlow Cloud
- 官方文檔：RAGFlow Documentation
- 社群：RAGFlow Discord
RAGFlow 的未來前景如何？
RAGFlow 以逾 8.7 萬顆星標確立了其在開源 RAG 領域的領先地位，並正從「檢索引擎」演進為「Agent 上下文層」。隨著企業 AI 應用從對話式問答走向自主工作流，檢索品質與可追溯性成為關鍵基礎設施，項目的深度文檔理解、Agent 工作流與 MCP 支援正好回應此趨勢；官方 Roadmap 持續更新，多聊天管道與生態整合顯示其正從開發者工具延伸為企業 AI 應用的通用底座。
項目前景樂觀：逾 8.7 萬星標與持續迭代回應企業 AI 對檢索品質與可追溯性的需求；從檢索引擎演進為 Agent 上下文層，多聊天管道與 OpenClaw、MCP 生態整合顯示其正成為企業 AI 應用的通用底座。