RAGFlow

RAGFlow是什麼？

RAGFlow是InfiniFlow團隊推出的開源檢索增強生成引擎及AI Agent平台。它將文件收集、版面理解、分塊、向量化、全文檢索、重排、問答、Agent工作流程與API整合在單一系統中，其目標是為大語言模型建立可追蹤、可管理的上下文層。

與僅將純文字切成固定長度的輕量知識庫相比，RAGFlow更重視複雜的文件結構。它能夠辨別標題、段落、表格、圖片以及頁面佈局，並讓使用者可以查看或修改每個區塊及其位置，因此很適用於合約、財報、論文、操作手冊、掃描檔，以及結構複雜的 Office 文件。

核心功能

1. 深度文件理解

內建 DeepDoc 與可編排的 Ingestion Pipeline，用於解析 Word、Slides、Excel、TXT、圖片、掃描檔、結構化數據以及網頁。該系統能結合 OCR、版面分析與多模態模型，提取文字、表格與圖片的含義，並保留文件的位置與元資料。

新版還可選擇MinerU、Docling、OpenDataLoader等解析後端。不同解析器對掃描件、雙欄論文、公式、複雜表格和大文件的處理效果差異明顯，正式入庫前應抽查解析預覽，而不是假設任何PDF都能無損轉換。

2. 模板化分塊

RAGFlow根據文件類型提供不同的Chunk模板，例如通用文件、書籍、論文、法律文件、問答、表格、圖片以及知識圖譜等。這些模板會參考標題層級、段落邊界和版面資訊，使用者可以在介面中查看分塊結果並進行人工修改。

分塊決定檢索顆粒度。塊太小會失去上下文，太大則增加雜訊和Token成本。

應使用真實問題驗證每種模板，並根據資料結構調整分隔符、塊大小、重疊與元數據。

3. 向量、BM25與混合檢索

檢索層同時支援向量語義搜尋和BM25全文搜尋，可設定兩者的權重並對多路召回結果進行融合。向量適合用於同義表達，BM25則適合用於編號、人名、產品型號和精確術語；

重排模型會再次判斷候選片段與問題的相關性。

系統預設可使用Elasticsearch來儲存全文與向量，亦可切換為InfiniFlow開源的Infinity文件引擎。切換文件引擎時需要重新建構資料，甚至可能必須清除原有的資料，因此不能在未備份的情況下直接在生產環境中執行遷移指令。

4. 可追溯問答與引用

聊天助手會顯示答案所依據的文件片段和引用，用戶可以快速返回原文核對。檢索測試頁可單獨觀察召回內容、相似度與排序，用於區分「沒有找到正確資料」與「模型讀到了資料但回答錯誤」。

引用僅能證明系統使用了某個片段，無法保證結論的完整性或正確性。法律、醫療、金融及研究報告仍需由人員親自閱讀原文，並核對日期、版本、數值單位以及相關的例外條款。

5. RAPTOR、PageIndex與知識圖譜

RAPTOR會對文件或資料集進行層次化聚類與摘要，讓系統既能檢索細節，也能回顧跨章節的高層主題。新版提供GMM與AHC模式，AHC則將語意組織擴展到整個資料集。

PageIndex則利用目錄和層次資訊定位長文件內容。

知識圖譜解析可以抽取實體和關係，為多跳問題補充結構化連接。這些高級索引會增加解析時間、模型調用和儲存需求，並可能導致錯誤摘要或錯誤實體的產生，應該先以評測數據確認其效益後再加以使用。

6. 資料來源連接與同步

除本地上傳外，RAGFlow可連接S3、Google Drive、Notion、Confluence、Discord、GitHub、GitLab、Bitbucket、Gmail、IMAP、Zendesk、RSS、Seafile、Airtable、Asana、Moodle、釘釘AI表格及通用REST API等資料來源。

部分連接器支援增量同步和遠端刪除同步。

資料來源連接器需要存取令牌或服務帳戶。應使用僅具讀取權限、範圍最小的權限設定，限制同步的目錄，並確認已刪除傳播規則。

遠端文件更新後重新解析可能改變Chunk ID和引用，生產應用要安排索引窗口與回歸測試。

7. AI Agent與可視化編排

Agent畫布能將知識庫檢索、模型、工具、代碼執行、瀏覽器、文件生成、搜尋以及其他Agent組合成工作流。官方提供數據分析、投資研究、法律案例分析以及製造維護等場景模板，同時也支援多Agent協作、自主規劃以及使用者級的長期記憶功能。

瀏覽器組件可以讓AI導航並操作網頁；Python與JavaScript執行器可生成圖表並處理檔案。

這類功能必須放入沙箱，限制網路、檔案和執行時間。

模型自主操作網頁或代碼時，應在登入、支付、發送和刪除等關鍵步驟要求人工確認。

8. MCP與工具

RAGFlow可在工作流中使用MCP服務，也能啟動官方MCP伺服器，將資料集檢索、聊天等功能提供給支援MCP的用戶端。新版還提供了輕量級的Python工具裝飾器，協助開發者註冊函數。

MCP處於快速演進階段，字段、驗證機制以及工具的回傳結果都可能在不同版本之間有所變化。在將其接入實際環境之前，應先確定使用的版本，並測試錯誤處理機制，同時設定最小的權限。不可將第三方的MCP工具視為已經過官方的安全審計。

9. REST API與SDK

開發者可利用 REST API 和官方 Python SDK 來管理資料集、文件、Chunk、聊天助手、會話、Agent 以及搜尋功能。其聊天功能支援常見的串流式呼叫方式，因此能輕鬆將 RAGFlow 整合到網站、客服系統、內部系統以及自動化任務中。

API Key應僅存放在服務端，並根據租戶進行資源隔離、限制請求頻率以及記錄審計資訊。官方雲端的免費版不提供API Key，只有Starter與Pro版本才具備API功能。

10. 多模型支援

平台可配置多家語言模型、Embedding、Rerank、語音、視覺和圖片生成供應商，也能連接本地模型服務。自0.22版起不再內建Embedding模型，需要配置外部或本地模型端點。

雲模型費用與RAGFlow軟體費用分開計算。向量模型一旦更換，應重新生成索引；

本地大模型和OCR加速還需要額外GPU資源。

11. 多渠道發布

聊天、Agent和搜尋頁面可嵌入第三方網站，新版內嵌頁面相容行動端，並支援飛書、Discord、Telegram、Line等聊天渠道。發布前應配置身份、會話隔離、配額、內容審核和引用下載權限。

雲服務價格

RAGFlow官方雲服務目前顯示三檔美元月付方案，頁面同時展示劃線原價，以下採用當前優惠價：

Credits的具體消耗與模型、解析和運行任務有關，套餐價格、優惠和資源限制可能會調整，應以結算頁面所示為準。大型企業所需的更高容量、私有部署支援以及SLA等服務，則需聯絡官方或服務供應商確認。

自託管與硬體要求

RAGFlow可以透過Docker Compose進行私有部署。官方要求的最低配置為：4核心CPU、16GB記憶體、50GB磁碟空間，以及Docker 24.0或更高版本、Docker Compose 2.26.1或更高版本。至於源碼開發方面，則需要Python 3.13或更高版本。

使用代碼執行沙箱時還需要gVisor。

官方預構建的鏡像目前僅適用於x86平台，並不直接提供ARM64版本的鏡像，ARM64平台的用戶需要自行構建。在0.22版本之後，只會發布約2GB大小的精簡版鏡像，且不包含嵌入式模型。

鏡像解壓運行後約佔7GB，文件、索引、日誌和資料庫會繼續增加磁盤使用量。

預設的依賴項目通常包括 MySQL、MinIO、Redis 以及 Elasticsearch 或 Infinity。Elasticsearch 要求主機的虛擬記憶體映射數量至少為 262144。

生產環境還需HTTPS、持久化卷、資料庫和對象儲存備份、監控、金鑰輪換與升級回滾。

GitHub與開源許可

RAGFlow的原始碼儲存在InfiniFlow的官方GitHub帳戶中，它採用Apache License 2.0授權條款，因此可以在符合相關許可條件及NOTICE文件所規定的條件下，進行使用、修改、散布及商業化利用。官方提供的Python SDK也同樣遵循Apache 2.0授權條款。

截至本次核驗，官方文件和預設的Docker設定均使用穩定版0.26.4。該專案仍處在0.x階段且更新頻繁，API、資料庫與連接器都可能會發生變化；

部署時應固定鏡像和代碼為同一版本，並閱讀升級腳本與發行說明。

資料安全與運維

私有部署可以將檔案、索引和會話保留在自己的環境中，但若使用外部LLM、Embedding、Rerank、OCR或搜尋服務，相應的文本和片段仍會傳送給第三方。敏感文件應仔細核對供應商的資料保留、訓練及地區相關條款，必要時應全部使用本地模型。

代碼執行、瀏覽器、連接器以及MCP都會擴大攻擊面。應啟用沙箱、最小權限、網路白名單、檔案大小與類型限制、防止提示詞注入的功能，同時還需進行日誌脫敏處理以及補丁管理。

配置檔案中的資料庫和對象儲存預設密碼必須修改。

RAGFlow使用教學

完成一次基礎任務

1. 註冊RAGFlow並創建僅用於測試環境的API Key；
2. 根據輸入類型、上下文、品質、速度和價格選擇模型；
3. 先調用深度文件理解完成最小請求並檢查返回結構；
4. 再用模板化分塊測試流式輸出、參數和異常響應；
5. 記錄Tokens、呼叫次數、延遲、錯誤率及單次成本；
6. 把密鑰移入服務端密鑰管理器後再接入正式應用；

建立可重複使用的專業工作流

1. 為開發、測試與生產環境使用不同密鑰與額度；
2. 按深度文檔理解、模板化分塊和向量、BM25與混合檢索建立代表性評測集；
3. 設定超時、併發、重試、限流和預算上限；
4. 對輸出執行事實、安全、格式和敏感資訊檢查；
5. 監控模型版本、價格、延遲和失敗率變化；
6. 準備降級模型、熔斷和人工接管方案；

適合哪些用戶？

• 需要解析財報、論文、合約、手冊和掃描件的企業；
• 重視表格、圖片和文件版面結構的RAG專案；
• 需要混合檢索、重排、RAPTOR和知識圖譜的研發團隊；
• 希望連接大量雲盤、協作平台及業務資料源的組織；
• 需要Agent工作流、代碼、瀏覽器以及MCP工具的開發者；
• 希望透過API或SDK將檢索上下文接入現有產品的團隊。

產品優勢

• 複雜文件解析與可視化Chunk是核心特色；
• 向量、BM25、多路召回與重排組合完整；
• 引用可追溯，便於定位和人工修正知識片段；
• 支援RAPTOR、PageIndex和知識圖譜等高級索引；
• 資料來源連接器、Agent、MCP、API與SDK覆蓋廣；
• Apache 2.0許可對商業整合較友好；
• 同時提供官方雲服務和完整私有部署方案。

限制與注意事項

• RAGFlow組件多、資源佔用高，運維複雜度通常高於輕量知識庫；
• 官方最低16GB記憶體僅適合入門，海量文件、高併發、OCR及本地模型需要更高規格與集群規劃；
• 深度解析也不能保證所有檔案正確；
• 上傳後必須抽樣檢查文字、表格、圖片、Chunk和引用；
• 高級索引會增加成本和等待時間；
• 0.x版本更新快，生產環境不應直接使用nightly鏡像；

常見問題

RAGFlow免費嗎？

自託管開源版免費，伺服器和模型成本自理；官方雲服務有0美元免費版，Starter為29美元/月，Pro為129美元/月。

RAGFlow支援中文嗎？

支援中文介面、文件解析、檢索以及多種中文模型。實際的OCR、分詞與回覆品質取決於解析器、Embedding、Rerank及LLM的設定。

最低需要什麼伺服器？

官方最低配置為4核心CPU、16GB記憶體以及50GB磁碟空間；執行程式時需要gVisor，GPU雖非必須，但能加速DeepDoc及本地模型的運作。

支援ARM伺服器嗎？

官方目前預先建構的 Docker 鏡像僅適用於 x86，不提供 ARM64 鏡像；ARM 使用者需依照文件說明自行建構，且部分 Infinity 組合也尚未獲得正式支援。

RAGFlow提供API嗎？

提供REST API、Python SDK和MCP伺服器。官方雲端Free方案不提供API Key，Starter和Pro版本則會提供。

RAGFlow可以商用嗎？

可以依據 Apache 2.0 授權條款來使用、修改和散布，但仍必須保留授權條款及相關說明，並另外遵守所使用的模型、資料及第三方組件的授權規定。