RAGFlow：开源、可深度定制的企业级 RAG 应用开发引擎

引言：RAG 应用开发的挑战与机遇

随着大语言模型（LLM）的普及，检索增强生成（RAG）技术已成为连接私有知识库与通用模型能力的关键桥梁。然而，构建一个高效、可靠且易于维护的企业级 RAG 应用并非易事，开发者常常面临以下挑战：

流程复杂：从文档解析、文本切分、向量化到检索、重排、生成，链路长且组件繁多。
效果调优难：检索的准确性、召回的粒度、生成结果的相关性与可控性，都需要精细调整。
部署与运维成本高：生产环境下的稳定性、可扩展性、监控和持续优化需求带来了巨大压力。

RAGFlow 正是在此背景下应运而生的一款开源、可深度定制的企业级 RAG 应用开发引擎。它旨在将复杂的 RAG 工程化过程标准化、自动化，同时保留充分的灵活性，让开发者能够聚焦于业务逻辑与效果优化。

什么是 RAGFlow？

RAGFlow 是由深度求索（DeepSeek）公司开源的一款基于 LLM 的文档知识库问答系统。其核心定位是 "RAG 应用开发引擎"，而非一个封闭的黑盒产品。它提供了构建 RAG 应用所需的全套"基础设施"和"最佳实践模板"。

核心特性

开箱即用的 RAG 流水线：内置了完整的文档解析、文本切分、向量索引、语义检索、重排序和提示工程流程，用户只需上传文档，即可快速获得一个可用的问答应用。
深度可定制 ：
- 文本切分策略：支持基于字符、标点、句子、自然段等多种切分方式，并可自定义切分规则，以适应不同文档类型（如合同、代码、论文）。
- 检索与重排：支持多种向量模型和检索器（如关键词、语义、混合检索），并可集成自定义的 Rerank 模型对结果进行精排。
- 提示模板引擎：提供强大的提示词模板管理功能，支持变量注入、条件判断，可针对不同场景定制生成逻辑。
企业级特性 ：
- 多租户与权限管理：支持团队协作和知识库隔离。
- 完整可观测性：提供检索来源追溯、对话历史、效果评估看板，便于调试与优化。
- 云原生部署：支持 Docker Compose、Kubernetes 部署，易于集成到现有技术栈。

RAGFlow 核心架构解析

下图展示了 RAGFlow 的核心处理流程：
渲染错误: Mermaid 渲染失败: Parse error on line 2: ...t TD A["原始文档
(PDF/DOCX/TXT/PPT等)" ----------------------^ Expecting 'SQE', 'DOUBLECIRCLEEND', 'PE', '-)', 'STADIUMEND', 'SUBROUTINEEND', 'PIPE', 'CYLINDEREND', 'DIAMOND_STOP', 'TAGEND', 'TRAPEND', 'INVTRAPEND', 'UNICODE_TEXT', 'TEXT', 'TAGSTART', got 'PS'

关键组件详解

文档解析器：基于 Apache Tika、Unstructured 等开源库，支持超过百种文档格式的深度解析，不仅能提取文本，还能保留表格、图片中的文字信息及基础排版结构。
智能切分器：这是 RAGFlow 的亮点之一。它采用"递归切分"思想，先按大粒度（如章节）分割，再对长段落进行细粒度切分。用户可以通过界面调整切分长度、重叠区、分隔符等参数，实现"按语义切分"，显著提升检索精度。
检索与重排层 ：
- 默认集成多种向量模型（如 BGE、OpenAI Embeddings）。
- 检索阶段支持同时进行语义搜索和关键词（BM25）搜索，并进行加权融合。
- 重排阶段可接入 Cross-Encoder 模型（如 BGE-Reranker）对初筛结果进行精排，确保最相关的片段排在前面。
提示工程与 LLM 网关 ：
- 提供可视化的提示词编排界面，支持在提示词中动态插入检索到的上下文、用户问题、历史对话等变量。
- 统一对接多种 LLM API（如 DeepSeek、OpenAI、通义千问、本地模型等），简化模型切换成本。

快速开始：构建你的第一个知识库问答应用

1. 环境准备与部署

RAGFlow 推荐使用 Docker 快速部署。

bash 复制代码

# 1. 克隆项目（以特定版本为例）
git clone -b v0.9.0 https://github.com/infiniflow/ragflow.git
cd ragflow

# 2. 使用 Docker Compose 启动
docker compose -f docker-compose-CN.yml up -d

启动后，访问 http://localhost:9380 即可进入 Web 管理界面。

2. 创建知识库并上传文档

登录后，点击"知识库" -> "新建知识库"。
填写知识库名称（如"产品手册"），选择切分模式（如"标准模式"）和嵌入模型。
进入知识库，点击"上传文档"，将你的 PDF、Word 等文件拖入。系统将自动完成解析、切分和向量化索引。

3. 配置应用与对话

点击"应用" -> "新建应用"。
关联上一步创建的知识库。

在"提示词"选项卡中，配置系统提示词和用户提示词模板。例如：

复制代码

你是一个专业的客服助手，请严格根据以下上下文回答问题：
{context}

问题：{question}

在"模型"选项卡中，选择要使用的 LLM（如 DeepSeek-V3）。

4. 测试与发布

在应用页面的"对话"标签页中，直接输入问题进行测试。答案下方会显示引用的文档片段，方便溯源。
调试满意后，可通过 API 或嵌入 iframe 的方式集成到你的业务系统中。

进阶：深度定制与优化实践

优化检索效果

调整切分策略：对于法律合同，使用更小的切分块（如 200 字符）和重叠区；对于技术文档，可按章节切分。
启用混合检索：在"知识库"->"检索设置"中，同时开启语义检索和关键词检索，并调整权重。
集成 Rerank 模型：部署一个 Rerank 模型服务，并在 RAGFlow 中配置，可大幅提升前 1 的命中率。

定制提示工程

利用 RAGFlow 的模板语法，可以构建复杂的提示逻辑。例如，根据检索到的上下文是否为空，给出不同的回答：

复制代码

{% if context %}
你是一位专家，请根据以下信息回答问题：
{context}
问题：{question}
{% else %}
关于"{question}"，我未在知识库中找到相关信息。这是一个通用回答：...
{% endif %}

接入业务系统

RAGFlow 提供了完整的 RESTful API，支持知识库管理、文档上传、对话等所有功能。你可以轻松地将其集成到现有的工作流中。

python 复制代码

import requests

# 1. 获取 Token
auth_url = "http://localhost:9380/api/v1/token"
resp = requests.post(auth_url, json={"username": "admin", "password": "admin"})
token = resp.json()["data"]["access_token"]

headers = {"Authorization": f"Bearer {token}"}

# 2. 发起对话
chat_url = "http://localhost:9380/api/v1/chat/completions"
payload = {
    "app_id": "your_app_id",
    "messages": [{"role": "user", "content": "RAGFlow 有什么特点？"}],
    "stream": False
}
resp = requests.post(chat_url, json=payload, headers=headers)
answer = resp.json()["choices"][0]["message"]["content"]
print(answer)

总结

RAGFlow 通过提供一个功能强大、配置灵活且开源透明的平台，显著降低了企业构建高质量 RAG 应用的门槛。它平衡了"开箱即用"的便利性与"深度定制"的灵活性，使得无论是快速验证原型，还是构建复杂的生产级知识问答系统，都能找到合适的解决方案。

随着 RAG 技术的不断演进，RAGFlow 这类专注于工程化落地的工具，将成为连接大模型能力与私有化数据价值的关键枢纽。

学习资源

官方 GitHub：https://github.com/infiniflow/ragflow
官方文档：https://docs.ragflow.io
在线体验：https://demo.ragflow.io