RAGFlow部署教程：10分钟搭企业级知识库

开源的RAG方案试了一圈——LangChain太复杂、LlamaIndex文档看不懂、自己拼装又太慢。有没有一个开箱即用的？RAGFlow了解一下。

💡 你将学到

开源的RAG方案试了一圈——LangChain太复杂、LlamaIndex文档看不懂、自己拼装又太慢。有没有一个开箱即用的？RAGFlow了解一下。

📜 目录

• RAGFlow是什么
• 部署：直接上Docker
• 接入大模型
• 上传文档测试
• API集成
• 缺点
• 相关文章

RAGFlow是什么

RAGFlow是InfiniFlow开源的企业级RAG引擎。它的卖点是： - 开箱即用，docker compose一键启动 - 中文支持好（DeepSeek/Qwen直接接入） - 文档解析能力强（PDF/表格/图片都能处理） - 有可视化界面，非技术人员也能用

GitHub上已有18000+星，社区活跃。

部署：直接上Docker

git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker
# 复制配置
cp .env.example .env
# 编辑.env，填上你的LLM API Key
vim .env
# 启动
docker compose up -d

打开 http://localhost:9380 就能看到登录界面。

接入大模型

RAGFlow支持多种LLM后端：

我个人推荐用DeepSeek——中文理解好、价格便宜（百万Token只要1块钱）。

上传文档测试

支持的格式：PDF、DOCX、Excel、TXT、Markdown、图片（OCR）。

上传后RAGFlow会自动： 1. 解析文档结构（标题层级自动识别） 2. 智能切分（按段落不是按字符数硬切） 3. 向量化存入内置向量库

API集成

RAGFlow还提供了REST API，可以集成到自己的应用里：

curl http://localhost:9380/api/v1/chat \
  -H "Authorization: Bearer YOUR_TOKEN" \
  -d '{"question": "公司今年的财务政策是什么？", "kb_id": "your_kb_id"}'

缺点

• 界面有点丑（不如Dify好看）
• 大规模文档（10万+）性能下降快
• 中文文档质量一般，很多问题要靠GitHub Issues

但要说开箱即用的中文RAG，目前RAGFlow是最省心的选择。

相关文章

• 用n8n搭建RAG管道
• 向量数据库对比
• RAGFlow新手教程