一、RAGFLOW与Open WebUI
RAGFLOW 是一款基于深度文档理解构建的开源 RAG（Retrieval-Augmented Generation）引擎。RAGFlow 可以为各种规模的企业及个人提供一套精简的 RAG 工作流程，结合大语言模型（LLM）针对用户各类不同的复杂格式数据提供可靠的问答以及有理有据的引用。
Open WebUI 是一个可扩展、功能丰富且用户友好的自托管 AI 平台，旨在完全离线运行。它支持各种 LLM 运行器，如 Ollama 和 OpenAI 兼容的 API，并内置了 RAG 推理引擎，使其成为强大的 AI 部署解决方案。
二、部署对比
| RAGFLOW | Open WebUI |
|---|---|
| docker部署难度高，机器性能要求高 | docker部署容易，机器性能要求低 |
三、上手使用对比
| RAGFLOW | Open WebUI |
|---|---|
| 自带一些嵌入、重排序大模型，知识库的命中率相比较高，显示引用原文；知识库建设多，业内最多的文档解析方法；如果知识库中没有相关内容可灵活处理；可通过控制上传文件质量和知识库参数设置、聊天助手参数设置改善回答准确率 | 自带语义向量模型sentence-transformers/all-MiniLM-L6-v2，也可以利用ollama、openAI拉取其他模型；知识库建设较少；没有文档表格、图片的识别功能，转换向量时自动忽略；引用需要提前知道知识库相关文件 ；如果引用错误的文档召回率为0；通过调整 Top K 值和改进 RAG 模板可提升基于文档的问答系统的性能，使得 AI 能够提供更加准确和详尽的答案 |
四、知识库内容召回对比
| RAGFLOW | Open WebUI |
|---|---|
| 文档引用依赖于召回文本是否相关，如果相关性强一点的话，那么引用以及回答的问题肯定是准确的 | 引用是提前"#"引用好知识库文件，然后根据上下文给出答案，并且只要Open WebUI的"#"引用是正确的，那么回答准确率达到90%；只要引用过一次的知识库文件，后续继续的对话都会默认引用，集大成回答现有问题。 |
五、前端界面对比
| RAGFLOW | Open WebUI |
|---|---|
| 界面友好；分为知识库、聊天、智能体、搜索、文件管理； | 界面友好但知识库界面不直观 |
 |
 |
六、功能对比
| RAGFLOW | Open WebUI |
|---|---|
| 比较成熟的RAG技术；智能体；基于知识库的搜索功能 ；基于知识库的大模型对话功能；有重排序模型；不自带语音、文本互相转换功能； | 有RAG技术；续写功能；有专门的大模型对话功能；基于引用文件的搜索功能；无重排序模型；自带语音、文本互相转换功能；可以导出、导入对话记录（json格式）；回答的答案可以编辑、朗读、继续生成、重新生成 |
 |
 |
 |
 |