RAGFlow

为什么需要

出海做 AI 客服、企业知识库、智能问答系统，最核心的是 RAG（检索增强生成）。开源 RAG 方案要么文档解析差（切块不合理），要么回答「幻觉」严重（没有 grounded 引用）。RAGFlow 由 infiniflow 出品，专注深度文档理解——基于 OCR + 布局分析 + 表格识别把 PDF/Word/Excel/图片解析成结构化块，每条回答都附带原始文档引用，可信度直接对标企业级产品。

对比 Dify：Dify 偏工作流编排（包含 RAG 但不专精），RAGFlow 专攻 RAG（解析精度更高、引用更全）。

怎么用

Docker 一键部署：

git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker
docker compose up -d

打开 http://localhost:80，注册账号，创建知识库：

1. 上传文档（PDF/Word/Excel/PPT/图片/Markdown/HTML 都支持）
2. 选择解析方式（OCR、布局识别、表格识别、公式识别）
3. 选择 Embedding 模型（OpenAI、BGE、智谱等）
4. 创建 Chat Assistant，配置 prompt 和 LLM
5. 通过 API 集成到业务系统

API 调用：

import requests

resp = requests.post(
    "http://localhost/v1/chats/openai_compatible/your-chat-id",
    headers={"Authorization": "Bearer YOUR_API_KEY"},
    json={
        "model": "gpt-4",
        "messages": [{"role": "user", "content": "产品保修期是多久？"}]
    }
)
print(resp.json())

核心特性

• 深度文档理解 — OCR + 布局分析 + 表格识别 + 公式识别
• 多格式支持 — PDF、Word、Excel、PPT、图片、Markdown、HTML、EPUB
• 智能分块 — 基于模板的分块策略，比传统 fixed-size chunk 准确度提升 30-50%
• Grounded 引用 — 每条回答附原始文档来源，可信可验证
• 多 LLM 支持 — OpenAI、Anthropic、Google、智谱、DeepSeek、Qwen 等
• 多 Embedding — BGE、智谱、OpenAI text-embedding-3 等
• 可视化配置 — Web UI 拖拽配置知识库和 Chat Assistant
• REST API — OpenAI 兼容协议，现有 OpenAI 代码改一行 base URL 即可
• 多语言 — 中英日韩法印尼阿拉伯等 10+ 语言 README

使用案例

出海做企业级 SaaS（合规咨询行业），需要 RAG 检索 50 个国家的法律文档给客户当助手。RAGFlow 配 GPT-4 + 表格识别，把复杂的法律条款 PDF 准确解析并按章节分块。客户问「欧盟 GDPR 第 17 条怎么适用」，RAGFlow 回答原文 + 文档来源 + 上下文段引用。整套系统 GitHub 自托管，数据不出服务器，合规无忧。

注意事项

• Apache 2.0 协议开源，可商用
• Docker 部署至少 4C8G + 50GB 存储起步（OCR 模型较大）
• 推荐海外 VPS 部署（OpenAI/Anthropic API 速度更好）
• 与 Dify 对比：Dify 工作流编排灵活，RAGFlow RAG 深度更深
• 与 QAnything 对比：QAnything 国内友好，RAGFlow 国际生态更好