RAGFlow：企业级知识库的完整生命周期管理

Fen9Pi2026/6/11大约 9 分钟

RAGFlow 企业级知识库

你有一个企业。
你有海量的文档、PDF、Word、Excel、PPT。
你想建立一个知识库。
但你有三个问题：
怎么建立？怎么审核？怎么维护？
还有，怎么让 AI 理解用户的意图？
RAGFlow 是一个开源的 RAG 引擎。
它给你一个完整的答案。

核心愿景

RAGFlow 是什么？

RAGFlow 是一个开源的 RAG 引擎。

它融合了最先进的 RAG 技术和 Agent 能力。

它为企业规模的部署提供了一个简化的 RAG 工作流。

核心价值：

深度文档理解 — 从复杂格式的非结构化数据中提取知识
无限 tokens — 在无限 tokens 的数据干草堆中找到「针」
智能且可解释 — 可解释的召回和重排序
多种模板 — 多种模板选项
可视化分块 — 文本分块可视化，允许人工干预
快速引用 — 关键引用的快速视图和可追溯的引用

一、知识库怎么建立

1. 数据接入

RAGFlow 支持多种数据源：

本地文件：Word、PPT、Excel、TXT、图片、扫描件
结构化数据：数据库、CSV、JSON
网页内容：网页爬取
云服务：Confluence、S3、Notion、Discord、Google Drive

支持的数据格式：

格式	说明
Word	.doc, .docx
PPT	.ppt, .pptx
Excel	.xls, .xlsx
PDF	文本 PDF、图片 PDF、扫描件
TXT	纯文本
图片 .jpg, .png, .gif
网页	HTML、Markdown
结构化数据	CSV、JSON、数据库

数据接入流程：

数据源 → 文件上传 → 格式检测 → 解析策略选择 → 分块 → 向量化 → 存储

2. 文档解析

RAGFlow 提供多种文档解析方法：

MinerU — 强大的文档解析工具
Docling — 高精度文档解析
DeepDoc — 深度文档理解

深度文档理解（DeepDoc）是 RAGFlow 的核心技术。

它能处理：

复杂布局 — 多栏、表格、图表
混合内容 — 文本、图片、公式、代码
扫描件 — OCR 识别
多模态 — 使用多模态模型理解 PDF 或 DOCX 文件中的图片

3. 文本分块

RAGFlow 的分块策略是智能的。

不是简单的固定长度分块。

而是基于语义的分块。

分块可视化：

RAGFlow 提供文本分块可视化功能。

你可以：

查看分块结果 — 看到文档是如何被分割的
人工干预 — 手动调整分块边界
优化策略 — 根据内容调整分块参数

分块策略：

策略	适用场景
固定长度	简单文档
语义分块	技术文档、论文
段落分块	新闻、博客
表格分块	Excel、CSV
代码分块	代码文档

4. 向量化与存储

RAGFlow 支持多种向量存储：

Elasticsearch（默认） — 存储全文和向量
Infinity — 高性能向量数据库

向量化流程：

分块 → 嵌入模型 → 向量 → 存储到向量数据库

支持的嵌入模型：

OpenAI — text-embedding-3-small、text-embedding-3-large
Gemini — Gemini Embedding
本地模型 — 通过 HuggingFace 加载

向量存储切换：

# 切换到 Infinity
docker compose -f docker/docker-compose.yml down -v
# 设置 docker/.env 中的 DOC_ENGINE=infinity
docker compose -f docker/docker-compose.yml up -d

二、知识库怎么审核

1. 分块审核

RAGFlow 提供分块可视化功能。

你可以审核：

分块边界 — 是否合理
分块大小 — 是否合适
分块质量 — 是否包含完整信息

人工干预：

如果发现分块不合理，你可以：

调整分块参数 — 修改分块策略
手动合并 — 将多个小块合并
手动分割 — 将大块分割

2. 引用审核

RAGFlow 提供快速引用功能。

你可以审核：

引用来源 — 答案来自哪个文档
引用准确度 — 引用是否正确
引用完整性 — 是否遗漏重要信息

可追溯的引用：

每个答案都附有引用。

你可以点击引用查看原文。

3. 质量评估

RAGFlow 提供智能且可解释的召回和重排序。

你可以评估：

召回质量 — 召回的文档是否相关
重排序效果 — 重排序后的文档是否更相关
答案准确度 — 答案是否准确

4. 人工审核流程

RAGFlow 支持人工审核流程：

文档上传 → 自动分块 → 可视化审核 → 人工调整 → 向量化 → 存储

审核要点：

分块合理性 — 分块是否合理
引用准确性 — 引用是否准确
答案质量 — 答案是否准确
用户体验 — 用户是否满意

三、知识库怎么维护

1. 数据同步

RAGFlow 支持数据同步。

从多个数据源同步：

Confluence — 同步 Wiki 文档
S3 — 同步对象存储
Notion — 同步 Notion 文档
Discord — 同步 Discord 消息
Google Drive — 同步 Google Drive 文件

同步策略：

实时同步 — 数据更新时自动同步
定时同步 — 按计划同步
手动同步 — 手动触发同步

2. 增量更新

RAGFlow 支持增量更新。

不需要重新处理整个知识库。

只需要处理更新的部分。

更新流程：

检测变更 → 增量分块 → 增量向量化 → 增量存储

3. 版本管理

RAGFlow 支持版本管理。

你可以：

查看历史版本 — 查看文档的历史版本
回滚版本 — 回滚到之前的版本
比较版本 — 比较不同版本的差异

4. 质量监控

RAGFlow 提供质量监控功能。

你可以监控：

召回率 — 召回的文档有多少是相关的
准确率 — 答案有多少是准确的
用户满意度 — 用户是否满意

监控指标：

指标	说明
召回率	召回的文档中相关文档的比例
准确率	答案中正确答案的比例
用户满意度	用户对答案的满意度

四、怎么去意图识别

1. 多召回策略

RAGFlow 提供多召回 + 融合重排序。

不是单一的召回策略。

而是多种召回策略的组合。

召回策略：

关键词召回 — 基于关键词匹配
向量召回 — 基于向量相似度
混合召回 — 关键词 + 向量
重排序 — 对召回的文档重新排序

多召回的价值：

不同的召回策略有不同的优势。

关键词召回速度快。

向量召回语义理解强。

混合召回兼顾速度和语义。

2. 融合重排序

RAGFlow 提供融合重排序。

对召回的文档重新排序。

确保最相关的文档排在前面。

重排序策略：

基于相似度 — 按向量相似度排序
基于相关性 — 按相关性评分排序
基于多样性 — 确保多样性
基于新鲜度 — 优先显示最新内容

3. 意图理解

RAGFlow 使用 LLM 理解用户意图。

不仅仅是关键词匹配。

而是语义理解。

意图理解流程：

用户提问 → 意图识别 → 召回策略选择 → 文档召回 → 重排序 → 答案生成

意图类型：

意图类型	说明	召回策略
事实查询	查询具体事实	关键词召回
概念查询	查询概念、定义	向量召回
流程查询	查询流程、步骤	混合召回
对比查询	对比多个事物	混合召回 + 重排序

4. 上下文理解

RAGFlow 支持跨语言查询。

用户可以用中文提问。

RAGFlow 可以召回英文文档。

上下文理解流程：

用户提问 → 翻译 → 召回 → 翻译回原语言 → 答案生成

5. Agent 能力

RAGFlow 融合了 Agent 能力。

不仅仅是检索。

而是可以执行任务。

Agent 能力：

代码执行 — Python/JavaScript 代码执行器
工具调用 — 调用外部工具和 API
任务编排 — 编排多个任务
记忆管理 — 支持 AI Agent 的 Memory

Agent 流程：

用户提问 → 意图识别 → 任务分解 → 工具调用 → 结果整合 → 答案生成

核心功能对比

功能	RAGFlow	传统 RAG
文档解析	DeepDoc（深度理解）	简单解析
分块策略	语义分块 + 可视化	固定长度分块
召回策略	多召回 + 融合重排序	单一召回
意图识别	LLM 理解	关键词匹配
人工审核	可视化 + 人工干预	无审核
数据同步	多数据源实时同步	手动上传
增量更新	支持	不支持
Agent 能力	代码执行、工具调用	无

部署方式

1. Docker 部署（推荐）

系统要求：

CPU >= 4 cores
RAM >= 16 GB
Disk >= 50 GB
Docker >= 24.0.0
Docker Compose >= v2.26.1

部署步骤：

# 克隆仓库
git clone https://github.com/infiniflow/ragflow.git

# 启动服务
cd ragflow/docker
docker compose -f docker-compose.yml up -d

# 检查服务状态
docker logs -f docker-ragflow-cpu-1

2. 源码部署

适用于开发环境。

# 安装依赖
pipx install uv pre-commit

# 克隆仓库
git clone https://github.com/infiniflow/ragflow.git
cd ragflow/

# 安装 Python 依赖
uv sync --python 3.13
uv run python3 download_deps.py
pre-commit install

# 启动依赖服务
docker compose -f docker/docker-compose-base.yml up -d

# 启动后端服务
source .venv/bin/activate
export PYTHONPATH=$(pwd)
bash docker/launch_backend_service.sh

# 启动前端服务
cd web
npm install
npm run dev