RAGFlow

深度文档理解驱动的 RAG 引擎：解析版面、切块带引用，回答能指到原文哪一行

项目速览

项目 内容
仓库 infiniflow/ragflow
语言 Python / Go
协议 Apache-2.0
形态 自托管 Web 平台 + API
特色 版面感知切块、可视化溯源

它想解决什么问题

多数 RAG 效果差的根因不在模型，而在切块：把 PDF 按固定字数切开，标题与正文混在一起，表格被拦腰截断，检索自然召回一堆无关片段。

RAGFlow 把力气花在前端解析上：先理解版面结构（标题层级、表格、图片、页眉页脚），再按语义单元切块，然后才谈检索。

核心机制拆解

1. 版面感知解析。 识别文档结构后再切分，表格与列表尽量保持完整，减少”切碎了”的语义损失。

2. 可视化溯源。 回答里的引用能定位到原文的具体片段，界面上直接高亮——这对核对事实至关重要。

3. 可干预的检索。 支持多种召回与重排策略，也允许人工查看、调整召回结果，而不是一个黑盒。

4. 多模态与模板。 支持图片理解与多种文档模板，合同、论文、手册各有适配。

安装与上手

1
2
git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker && docker compose up -d

打开 Web 界面建知识库、上传文档，先看解析结果对不对——解析错了，后面调什么参数都白费。

点评

亮点是把 RAG 的短板补在了正确的位置：文档解析质量决定上限，而它愿意在这上面投入。可视化溯源让”信不信这个答案”变成可验证的动作，而不是凭感觉。

局限：解析重、资源吃得多，深度文档理解模型对 GPU 有要求，纯 CPU 环境体验会明显打折；文档格式越怪解析越慢，批量导入要排队；配置项多，默认参数未必适合你的语料；相比轻量方案，整套部署更”重”。

适合人群：有大量 PDF、扫描件、复杂排版文档要处理的企业；对答案可追溯性有硬要求的场景（法务、审计、医疗）；以及愿意为解析质量付出更多算力的团队。