RAGFlow

01项目介绍

RAGFlow 是一个开源 RAG 引擎，仓库主页把它定位为「agent-native database」，即从检索增强生成引擎长成了上下文基础设施。它的核心主张是「garbage in, garbage out」的反面——先做好文档理解：对复杂格式的非结构化数据做深度解析与知识抽取，再用基于模板的分块（可解释、可人工干预）保证切片质量。近期版本加入了知识编译能力，可在文档与数据集两级把内容编译成 Wiki、图谱、树、页索引、思维导图、时间线、技能等结构化知识产物；检索侧支持多步 Agentic 检索与四档思考深度（Low/Medium/High/Ultra），并用可追溯引用降低幻觉。数据源兼容 Word、PPT、Excel、TXT、图片、PDF、扫描件、结构化数据与网页。部署有两条路：Docker Compose（适合评估与生产）与源码启动（需 Go 与 Node）。开源 1.0 版本的 DeepDoc 用 CPU 做版面分析、OCR 与表格识别。对传统企业，它是「把纸质档案、扫描合同、Excel 台账变成可问可查知识库」这一环节最直接的工具。

02主要应用领域

最适合「资料很多、格式很乱」的部门：法务合同库、质量体系文件、设备手册与维修工单、招投标文件比对；也适合需要对答案给出原文引用的场合（审计、合规问答）。

03关键技术

后端以 Go 为主（含 Admin、Ingestor、Syncer、API 四类服务分别启动），前端 React，深度文档理解模块 DeepDoc 在开源 1.0 版用 CPU 做版面分析、OCR 与表格识别；检索侧为多路召回 + 融合重排，并提供 Agentic 多步检索；存储可选 Elasticsearch 或 Infinity，另有 MySQL、MinIO、NATS、Kvrocks 等依赖，支持 Helm 部署到 Kubernetes。约 9.37 万 star、1.12 万 fork。本次仅读首页与部署文档，未实际部署。

04实用价值

对传统企业最有价值的是「文档理解 + 引用可回溯」这两点：前者决定扫描件能不能进系统，后者决定答案敢不敢给业务用。它把这两件原本要自己拼（OCR + 版面分析 + 切片 + 重排）的工作做成了一个可自托管的服务。

05局限

部署门槛明显高于其它候选推荐 4 核 16GB 内存、50GB 磁盘，还要拉 Elasticsearch 或 Infinity、MySQL、MinIO 等依赖；0.24 版本存在限 Infinity 存储场景的未修补登录后 RCE（见社区口碑）；本轮未部署，检索质量与资源占用未实测。

06开源协议

Apache-2.0

仓库主页与仓库内均为 Apache-2.0：允许商用、修改、分发，需保留许可与声明，含专利授权条款，无 copyleft 传染，适合企业内部与私有化交付。注意两点：一是其依赖组件（如 Elasticsearch、MinIO、MySQL 等）各有自己的许可与商用条件，需分别核对；二是代码许可不覆盖你导入的文档与数据，企业资料入库仍受自身数据合规要求约束。

协议解读供选型参考，不构成法律意见。

09专业社区口碑

已核对社区来源

本轮在 HN 与第三方安全公告中只找到一条可核对的问题：0.24 版本的登录后 RCE（限 Infinity 存储场景）。除此之外该方向在 HN 上的讨论多为发布与版本公告，缺少中小企业实际部署的使用反馈。

该结论来自第三方安全公司博客与一次 HN 链接帖（HN 帖本身 2 分、0 评论，未形成讨论），未核对官方是否已发布修复版本；漏洞利用条件（Infinity 存储 + 重排模型）需自行对照部署形态判断，不能据一条公告断定项目整体不安全。