做 RAG 应用最头疼的是什么？不是向量数据库，不是 LLM 选型，而是文档解析。
PDF 里的表格丢了、图片里的内容完全忽略、扫描件直接报废——这些都是现有 RAG 方案的通病。解析质量上不去，检索再准也没用。
RAGFlow 就是盯准这个问题做的——基于深度文档理解（Deep Document Understanding）的 RAG 引擎，不只是「把文档切块丢向量库」，而是真正理解文档结构，再结合 Agent 能力做上下文层。
81k Star，增速稳定，已经是开源 RAG 方向的主流选择。
核心数据
• ⭐ GitHub Star：81.4k+
• 📊 支持格式：PDF、DOCX、Excel、PPT、Markdown、网页、图片OCR
• 🧠 核心能力：深度文档理解（DeepDoc）+ RAG + Agent编排
• 🔧 内置 Agent 工作流 + MCP 支持
• 🐳 完整 Docker 部署方案
• ☁️ 云服务：https://cloud.ragflow.io
• 🔓 开源协议：Apache 2.0
• 🆕 最新支持：DeepSeek v4、Gemini 3 Pro、GPT-5 系列
核心功能
1. 深度文档理解（DeepDoc）
这是 RAGFlow 和其他 RAG 框架最大的区别。
普通 RAG：PDF → 文本提取 → 切块 → 向量化（表格、图片、排版全部丢失）
RAGFlow：PDF →结构识别（表格、标题层级、图片位置）→ 语义切块 → 向量化 + 结构化索引
# RAGFlow 的文档解析示例（概念性）# 上传一份 50 页的 PDF 财报# - 表格被完整识别为结构化数据# - 图片中的文字通过 OCR + 多模态模型理解# - 标题层级保留，切块时不会把章节切断实测效果：同样一份复杂 PDF，RAGFlow 的回答准确率明显高于直接用 LangChain 的 PDF Loader。
2. 可视化 Agent 工作流
RAGFlow 不只是 RAG 引擎，还内置了 Agent 编排能力（2025-08 支持）。
可以在界面上拖拽编排 Agent 工作流：查询理解 → 多路召回 → 重排序 → LLM 生成 → 结果校验，全流程可视化。
3. MCP 支持
RAGFlow 支持作为 MCP Server 运行，你的数据集可以直接被 Claude Desktop、Cursor 等 MCP 客户端调用。
还有官方 RAGFlow Skill for OpenClaw，在 OpenClaw 里一键接入 RAGFlow 数据集。
4. 多源数据同步
支持从 Confluence、S3、Notion、Discord、Google Drive 同步数据（2025-11 支持），企业知识库场景直接覆盖。
5. 多种文档解析方法
支持 MinerU 和 Docling 作为文档解析后端（2025-10 支持），可以根据文档类型选择最合适的解析策略。
部署教程
方式一：Docker 一键启动（推荐）
# 克隆仓库cd# 启动（CPU版本）docker# 访问 http://localhost:80完整配置在docker-compose.yml，包含：
• RAGFlow 主服务
• Elasticsearch（向量存储 + 全文检索）
• MySQL（元数据存储）
• Redis（缓存）
方式二：GPU 版本（推荐生产）
# 使用带 GPU 支持的镜像cddockerdockerGPU 版本在嵌入模型推理和文档解析上速度提升显著，生产环境建议上 GPU。
方式三：从源码启动（开发）
gitgitcd# 安装依赖pip# 启动服务python💡提示：
首次启动会自动下载嵌入模型和 LLM 配置，确保网络通畅。国内用户建议提前配置 HuggingFace 镜像源。
配置 LLM
启动后进入设置，配置你使用的 LLM（支持 OpenAI、DeepSeek、Gemini、本地 Ollama 等）：
# conf/ragflow.cfg 示例实战场景
场景1：企业知识库问答
上传公司所有技术文档、API 文档、历史工单，RAGFlow 解析后构建知识库。员工提问时，回答能精确引用原文表格和数据。
场景2：法律/金融文档分析
法律合同、财报通常格式复杂，普通 RAG 解析效果差。RAGFlow 的深度文档理解能保留表格结构和条款层级，分析质量明显更高。
场景3：多模态文档问答
PDF 里既有文字又有图片（如技术手册、论文），RAGFlow 可以用多模态模型理解图片内容，问答时覆盖图文信息。
横向对比
| 特性 | RAGFlow | Dify | LangChain | Haystack |
|------|---------|------|-----------|----------|
| 深度文档解析 | ✅ 核心能力 | ⚠️ 基础 | ⚠️ 需自行集成 | ⚠️ 需自行集成 |
| 复杂表格识别 | ✅ 内置 | ❌ 不支持 | ❌ 不支持 | ⚠️ 有限 |
| 图片OCR+理解 | ✅ 多模态 | ⚠️ 基础 | ❌ 不支持 | ❌ 不支持 |
| Agent工作流 | ✅ 可视化 | ✅ 可视化 | ⚠️ 代码编排 | ⚠️ 代码编排 |
| MCP支持 | ✅ 内置 | ❌ 不支持 | ❌ 不支持 | ❌ 不支持 |
| 多源数据同步 | ✅ 内置 | ⚠️ 有限 | ⚠️ 需自行开发 | ⚠️ 需自行开发 |
| Docker部署 | ✅ 完整方案 | ✅ 完整方案 | ⚠️ 需自行搭建 | ⚠️ 需自行搭建 |
| 开源 | ✅ Apache 2.0 | ✅ Apache 2.0 | ✅ MIT | ✅ Apache 2.0 |
ℹ️信息：
RAGFlow 的核心差异化是文档解析质量。如果你的 RAG 场景里文档格式复杂（PDF财报、法律合同、技术手册），RAGFlow 比其他方案效果好很多。如果文档都是纯文本/Mardown，差异不大。
踩坑提示
Elasticsearch 需要分配足够内存：默认配置需要 4GB+ 内存，内存不够会 OOM，建议修改
ESJAVAOPTS调低首次启动下载模型慢：嵌入模型从 HuggingFace 下载，国内网络建议提前手动下载放到
models/目录GPU 镜像体积大：
ragflow:gpu镜像约 15GB，确保磁盘空间充足多模态理解需要配置视觉模型：默认只配了文本 LLM，图片理解需要额外配置 GPT-4V / Gemini Vision / 本地多模态模型
Confluence/S3 同步需要配置凭证，在「数据源」设置里填对应的 Access Key
总结
RAGFlow 的核心价值一句话：把 RAG 里最难的「文档解析」这件事做到了开源第一梯队。
深度文档理解 + Agent 工作流 + MCP 支持，这三个能力组合起来，让它不只是个 RAG 框架，而是一个完整的 AI 知识层解决方案。
81k Star，Apache 2.0 协议，Docker 完整部署方案，生产可用。如果你的 RAG 应用对文档解析质量有要求，RAGFlow 是目前开源里最值得试的那个。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
