RAGFlow 检索增强生成引擎

它是什么

RAGFlow 是 InfiniFlow 做的开源检索增强生成（RAG）引擎。它的 README 说，它把 RAG 和智能体能力结合起来，给大模型提供一个上下文层。你把文件上传到一个数据集里，RAGFlow 把它们切成文本块。聊天时，回答从这些文本块里来，并带上引用。文本块看得见，所以你可以读它们、加关键词、手动修改。回答由你选的模型来写。这个条目讲的是自己运行 RAGFlow。

1. 你把文件上传到一个数据集
2. DeepDoc 读出版面、文字和表格
3. 文件被切成可以检查的文本块
4. 提问时取出排名最靠前的文本块
5. 模型作答，并引用用到的文本块

适合谁

想要一个自托管的地方，把文档变成可搜索、回答带引用的知识库，又能在 Linux 服务器上运行 Docker 的开发者和团队，适合用它。产品团队可以通过 HTTP API、Python SDK 或 MCP，从自己的应用里调用它。如果你一个月只想问一份 PDF 一次，会觉得它太重。

如果你只用 macOS，就别自己部署：Docker 指南说 Go 后端暂时不支持 macOS。README 另外给了 InfiniFlow 的云服务 cloud.ragflow.io。

用在哪里

RAGFlow 运行在你放它的地方，文档写了下面这些途径。

• 在 Linux x86-64 或 ARM64 上用 Docker Compose，带预构建镜像
• 用源码自己构建的 Docker 镜像
• 在 Ubuntu 24.04 x86_64 上从源码构建，用于开发和调试
• InfiniFlow 的云服务，README 在 cloud.ragflow.io 给了链接
• 你自己的代码，通过 HTTP API 和 Python SDK
• 任何 MCP 客户端，通过 API 端口上的端点

快速入门列出了下面这些支持的格式（不止这些）。数据集配置页还能解析音频（WAV、MP3、AAC、FLAC、OGG，需要 ASR 模型）、邮件（EML、MSG）和 HTML。

如何设置

点“获取”会把一个装有 Mindket 安装说明的 zip 压缩包存进你的下载文件夹，每条途径和模型各有一页。主要途径是在 Linux 主机上用 Docker Compose。

1. 调高 vm.max_map_count，再克隆。在 Docker 主机上调高它，然后克隆仓库。
2. 检出发布标签。在仓库的 docker 文件夹里做。
3. 改掉默认密码。打开 docker/.env 改掉它们（仓库里 ADMIN_DEFAULT_PASSWORD 是 admin），再启动服务。
4. 等健康检查有响应。然后在浏览器里打开这台机器的地址并登录。
5. 添加一个大模型和一个嵌入模型。在 User settings 的 Model providers 里添加。

sudo sysctl -w vm.max_map_count=262144
git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker
git checkout v1.0.0-rc3

改完 docker/.env 里的密码之后，启动服务。

docker compose -f docker-compose.yml up -d

docker ps
curl -f http://localhost/api/v1/system/healthz

README 和快速入门把 v1.0.0-rc3 写作标签。要部署别的版本，从 Releases 页面取一个标签，并确认 docker/.env 里的 RAGFLOW_IMAGE 用的是对应的镜像标签。健康检查返回 HTTP 200，就说明 RAGFlow 已就绪。用默认的 HTTP 端口 80 时，打开地址不用写端口号。

如何使用

快速入门按这个顺序带你做四件事。

1. 添加模型：在 User settings 的 Model providers 里建一个提供商实例，然后选一个默认的 Chat 模型和一个默认的 Embedding 模型。
2. 建数据集：点 Datasets，再点 Create dataset。起个名字，选嵌入模型，第一个数据集的 Parse mode 选 General。
3. 上传并解析：在数据集的 Files 页，点 Add file，再点 Upload file。打开 Parse on creation，或者之后选中文件点 Run。
4. 聊天：点 Chat，再点 Create chat。在 Chat setting 里选已解析的数据集和一个聊天模型，保存，然后提问。

打开一个已解析的文件，就能读它的文本块。把鼠标悬停在文本块上可以快速查看，双击文本可以加关键词或编辑。在 Retrieval testing 的 Test text 里问一个快速的问题，检查你的配置是否有效。在聊天窗口里，简单的事实性问题选 Naive，需要多步检索的问题选 Agentic。聊天配置页说，Agentic 可能比 Naive 更慢。

示例

你有一个装满产品手册 PDF 的文件夹。你建一个叫 manuals 的数据集，Parse mode 选 General，上传文件时打开 Parse on creation。解析完成后，你打开一个文件，看它是怎么被切成文本块的。在 Chat 里建一个聊天，选 manuals，问一个其中一本手册能回答的问题。回答带着引用，你打开每条引用指向的文本块来核对。你自己的代码也能通过 MCP 问同一批资料。文档里的示例调用是这样的：

curl -sS http://127.0.0.1:9380/api/v1/mcp \
  -H 'Authorization: Bearer <RAGFLOW_API_KEY>' \
  -H 'Content-Type: application/json' \
  -H 'Accept: application/json, text/event-stream' \
  -d '{"jsonrpc":"2.0","id":3,"method":"tools/call","params":{"name":"ragflow_retrieval","arguments":{"question":"How do I install Neovim?"}}}'

回复里是匹配的文本块，格式为 JSON。密钥在头像菜单的 API 里生成。

新手与专家

新手：RAG 的意思是，模型根据从你自己的文件里找到的段落来回答，而不只是靠训练时学到的东西。找的这一步由 RAGFlow 来做。它把每个文件切成文本块存起来，每次提问就返回最匹配的几块，按语义和共同的词来打分。数据集是一批文档的集合，一个聊天可以用一个或几个数据集。解析任何文件之前，先选好嵌入模型。先用几个文件和 General 解析方式，读过文本块之后再相信回答。

专家：文档描述的是 Go 实现，Docker 指南说从 v1.0.0-rc1 起的发布标签用的就是它。一个二进制文件 ragflow_server 可以作为 API、Admin、Ingestor 或 Syncer 运行，--migrate 会运行数据库迁移然后退出。DeepDoc 的版面分析、OCR 和表格识别在服务器里用 ONNX Runtime 运行，1.0 版本里它们用 CPU 推理。

默认配置用 Elasticsearch 存文档，MySQL 存元数据，MinIO 存文件，Kvrocks 做缓存，NATS JetStream 传消息，还有 ClickHouse。docker/.env 里的 DOC_ENGINE 可以换别的文档引擎，DB_TYPE=oceanbase 可以让元数据用 OceanBase。

检索把向量相似度和词项相似度混在一起。SDK 的默认值是相似度阈值 0.2、向量权重 0.3 和 top_k 1024。走 MCP 时，page 乘以 page_size 必须落在 512 个重排候选的固定窗口之内。数据集里一旦有了文本块，换一个嵌入模型就必须通过检查：向量维度一致，平均余弦相似度至少 0.9。保存新模型不会把旧文本块重新嵌入。

MCP 有两种用法。API 端口 9380 上的 POST /api/v1/mcp 使用每个客户端自己的密钥，提供三个工具：ragflow_retrieval、ragflow_list_datasets 和 ragflow_list_chats。127.0.0.1:9382 上有一个可选的监听器，它可以跑在 host 模式，每个客户端自己认证，也可以跑在 self-host 模式，由一个配置好的密钥服务所有客户端。

注意事项

RAGFlow 运行在你自己的服务器上，有几个细节最好先读一下。

• 许可证：Apache-2.0。LICENSE 文件是标准文本，它的附录仍是模板里的“Copyright [yyyy] [name of copyright owner]”，没有写明版权所有者
• 密码：仓库里 ADMIN_DEFAULT_PASSWORD 的值是 admin，Docker 默认把 Admin 端口 9381 发布到主机上。文档说，如果别的主机能连上，首次启动前先换掉密码，之后再改不会改动已有的账号
• 你的数据：RAGFlow 会调用你设置的模型服务，比如大模型、嵌入模型，以及任何重排、视觉、OCR 或语音模型。如果你用了它们，聊天的联网搜索提供商和你的智能体所调用的外部 MCP 服务器，也会收到你经由它们发出的查询。除非你在本地运行这些模型，否则你的文字会发给这些模型服务，文档里给了 Ollama 和 vLLM 的做法
• 平台：暂时不支持 macOS，ARM64 镜像从 v1.0.0-rc3 开始
• 版本：开发用的检出可能拒绝启动，并报“Refusing to start: database was migrated by a newer version”。快速入门说，本地开发时可以在 .env 里设 RAGFLOW_DEV_MODE=true 再运行一次 Compose 命令，生产环境里要保持 false
• MCP：在 self-host 模式下，所有连接的客户端共用一个身份，所以要限制谁能连上它。密钥不要放在命令参数里，也不要提交到文件
• 卸载：文档里没有卸载页面，README 把保留或删除数据的事指向 Docker 指南。Mindket 的说明里列出了那份指南给的停止和重启命令