做 RAG 最大的痛点是什么不是模型不够强不是检索算法不行——是文档根本解析不对。表格乱了、公式丢了、多栏混了、图片没提取……垃圾进垃圾出再好的模型也白搭。GitHub 上30k star的 RAGFlow专治这个。● ● ●01RAGFlow 是什么一句话它是文档解析 RAG一体的开源平台核心卖点是深度文档理解。市面大多数 RAG 方案用 PyPDFLoader 粗暴切文本遇到复杂排版就崩。RAGFlow 用视觉识别技术真正看懂文档结构——表格归表格、段落归段落、图归图精准拆解后再做检索。和前面讲过的方案对比普通 RAG 方案· 文档解析粗糙· 表格/公式乱码· 多栏排版混读· 检索精度有限RAGFlow· 视觉级结构识别· 表格/公式精准还原· 多栏正确切分· 检索精度大幅提升02它强在哪 深度文档解析支持 PDF、Word、Excel、PPT、图片、Markdown。用视觉模型识别版面结构表格转 HTML、公式转 LaTeX、图片单独提取 智能切片不是按字数硬切而是按语义结构切——一个表格不会被打成两半一个段落不会断在中间 混合检索向量检索 关键词检索 重排三种方式组合兼顾语义和精确匹配 多模型支持对话模型和 Embedding 模型都能换——OpenAI、DeepSeek、Ollama、本地模型全支持 引用溯源每个回答都标注来源段落可点击跳转到原文位置方便核实 一键 Docker 部署开源、自托管数据完全在自己手里03第一步部署1 拉代码git clone https://github.com/infiniflow/ragflow.git cd ragflow2 启动RAGFlow 用 Docker Compose 编排一键拉起所有服务cd docker docker compose up -d会启动RAGFlow 主服务、Elasticsearch检索、Redis缓存、MinIO存储等。首次启动会拉镜像10 分钟左右。用 docker compose ps 确认全部 running。3 初始化浏览器打开 http://localhost:80注册管理员账号登录进控制台。**硬件要求**至少 8GB 内存推荐 16GB因为要跑 Elasticsearch 和文档解析模型。CPU 模式也能跑但解析会慢一些。04第二步配置模型RAGFlow 需要配两类模型对话模型 Embedding 模型。进设置 → 模型供应商添加对话模型推荐 DeepSeek便宜中文好或 Claude效果最强。填 API Key 即可Embedding 模型推荐 BGE-M3中文强。RAGFlow 内置了多个 Embedding 可选也可接外部本地模型接 Ollama完全免费。填 http://host.docker.internal:11434两个模型都要配缺一不可。没 Embedding 就没法向量化文档没对话模型就没法生成回答。05第三步建知识库核心这是 RAGFlow 真正发力的地方。1 创建知识库点**「知识库」→「新建」**起个名字比如产品文档库。这里要选解析方式——RAGFlow 的核心选项General通用文档默认QA问答对格式一问一答Manual技术手册结构化强Paper学术论文含公式/引用Book长篇书籍按章节切Laws法规条文按条款切**选对解析方式很重要。**学术论文选 Paper法规选 Laws效果天差地别。不知道选啥就用 General。2 上传文档把 PDF/Word/Excel 拖进去。RAGFlow 会自动解析你能看到解析后的结构化预览——表格还原成 HTML、公式变成 LaTeX、图片单独列出。这一步是 RAGFlow 和普通方案最大区别。你能肉眼检查解析质量不对就重传或换解析方式。3 配置检索知识库设置里检索方式选混合检索向量关键词开启重排。重排模型推荐 BGE-reranker-v2-m3精度能再提 10-20%。06第四步开始问答1 新建聊天助手点**「聊天」→「新建助手」**关联你刚建的知识库。写系统提示词你是文档助手。只根据知识库回答。 找不到就说文档中未提及不要编造。 回答时标注来源。2 提问直接在对话框问。比如上传了一份产品手册问“XX型号的额定功率是多少支持哪些接口”RAGFlow 会精准检索到手册里的表格给出准确数值并标注来源页码。**关键体验**点击回答里的引用标记能直接跳转到原文位置高亮显示。这是很多 RAG 方案做不到的。07实测效果拿一份 80 页含大量表格的财务报告测试98%表格还原率35%检索准确率(对比普通RAG)100%引用可溯源最明显的体感是——涉及表格数据的问答准确率断崖式领先。普通方案遇到表格基本废RAGFlow 能精准读出表格里的具体数值。08进阶玩法批量解析 API 调用RAGFlow 提供 REST API可以编程式上传文档、触发解析、查询知识库import requests # 上传文档 resp requests.post( http://localhost:80/api/v1/datasets/upload, headers{Authorization: Bearer YOUR_KEY}, files{file: open(report.pdf, rb)} ) print(resp.json())可以集成到你的业务系统里——文档入库自动解析、用户查询走 API。多知识库组合一个助手可以关联多个知识库。比如同时挂产品文档库和FAQ库AI 会跨库检索综合回答。接 GraphRAG 补全局能力RAGFlow 强在文档解析和精准检索但全局总结能力不如 GraphRAG。生产环境可以RAGFlow 做细节问答GraphRAG 做全局归纳两者互补。09几个坑坑1内存吃得多。Elasticsearch 解析模型8GB 是底线16GB 才舒服。小机器跑不动。坑2首次解析慢。视觉模型识别版面需要时间大 PDF 可能要几分钟。耐心等不是卡死。坑3解析方式选错。论文用 General 解析公式和引用会乱。务必按文档类型选对应模式。坑4扫描件要先 OCR。纯图片型 PDF扫描件RAGFlow 虽然能处理但 OCR 质量影响很大。清晰度差的扫描件建议先用专业 OCR 工具处理。10RAGFlow vs 同类方案文档解析适合RAGFlow最强复杂文档/表格/公式Dify中等应用开发为主AnythingLLM一般简单文档场景自己搭 LangChain看你怎么写高度定制GraphRAG关系抽取强全局总结型问答**怎么选**文档复杂表格/公式/多栏→RAGFlow要搭对外应用 → Dify要全局理解 → GraphRAG想完全自己控 → LangChain 手搓。● ● ●写在最后RAG 的天花板往往不在模型而在文档解析。再强的模型喂进去的是乱码出来的也是乱码。RAGFlow 把读懂文档这件事做到了开源方案的极致。如果你手上有大量复杂 PDF、报表、手册要做成可问答的知识库——今晚装一个 RAGFlow传一份你最头疼的文档试试。当它精准读出表格里某个数值的那一刻——你会明白解析能力才是 RAG 的真正地基。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】