一句话定位：基于深度文档理解的开源 RAG 引擎，兼具 Agent 编排能力，为企业构建高可信度的 AI 知识系统提供从数据接入到推理落地的全栈工具链。

一、它是什么？解决什么问题？

RAGFlow 是由 InfiniFlow 团队主导开发的开源 RAG（检索增强生成）引擎，GitHub 79.6k Stars，Apache 2.0 协议。它的核心出发点是：现有 RAG 系统的最大瓶颈不在 LLM，而在"文档理解"——企业知识库里充斥着带复杂排版的 PDF、扫描件、Excel 表格、PPT，传统方案先转纯文本再切片，大量结构信息丢失，直接导致"答非所问"和幻觉泛滥。

RAGFlow 的解法是把"深度文档理解（DeepDoc）"作为第一性原理，先还原文档的视觉结构和语义层次，再做可解释的分块（Chunking），最后以可视化方式呈现每个 chunk 的来源，让人工可以干预和校验。面向的用户主要是：有私有化知识库需求的企业 IT 团队、需要构建文档问答系统的集成商、以及希望在内部知识资产上构建 Agent 的开发者。

二、它能做什么？

三、它是如何做到的？

RAGFlow 的架构分三层，文档理解层是最核心的差异化：

第一层：文档理解（DeepDoc）不只是 OCR，而是结合视觉模型（VLM）对文档做"结构还原"——识别表格边界、标题层级、图文相对位置，把一份复杂 PDF 变成带结构语义的中间表示，再据此分块。分块策略可按文档类型选择模板（如"论文模板"、"合同模板"），避免固定 token 切片破坏语义完整性。

第二层：检索与生成向量库默认用 Elasticsearch（可选 Infinity），embedding 和 rerank 模型可插拔。召回阶段做向量 + BM25 双路混合，再由 rerank 模型精排。生成阶段把命中 chunk 作为上下文拼入 Prompt，同时返回引用溯源信息。

第三层：Agent 编排基于工作流引擎，支持条件分支、循环、HTTP 调用、代码沙箱执行。v0.25 引入 MCP 支持，可接入外部工具服务器；Agent 支持用户级记忆（Memory），实现多轮对话的上下文连续性。

[文档/数据源] → [DeepDoc 结构还原] → [模板化分块] → [向量+全文索引]                                                          ↓[用户提问] → [混合召回+重排序] → [Top-K Chunks + 引用] → [LLM 生成答案]                                                          ↓[Agent 工作流] ← [工具调用/MCP] ← [多轮对话+记忆] ← [答案+引用返回]

四、它能用到什么场景？

真实案例参考：RAGFlow 官方展示了制造业（设备维护手册检索）、法律服务（案例库检索）、金融（研报数据分析）三大行业解决方案，均强调"可追溯引用"以满足合规要求。对于技术负责人，最关键的落地价值是：可以把"答案有出处"作为产品卖点，而不只是"AI 说了算"。

五、为什么值得关注？

① 文档理解是企业 RAG 的最大短板，RAGFlow 把它做透了大多数 RAG 框架只管"检索+生成"，文档解析交给外部工具。RAGFlow 把 DeepDoc 作为核心模块，直接决定了它在中文复杂排版、扫描件、表格密集文档上的表现显著优于竞品。对于你的企业 RAG 项目（10k+ 文档场景），这是选型时的重要加分项。

② 可视化分块 + 人工可干预，满足企业合规审计需求生成式 AI 在企业落地的最大障碍之一是"不可解释"。RAGFlow 的引用溯源和分块可视化，让 IT 负责人可以向业务方展示"答案来自哪里"，这是 Dify、FastGPT 等平台目前做得不够细的地方。

③ v0.25 的 Agent 编排 + MCP 支持，正在从"RAG 工具"升级为"知识型 Agent 平台"原来的 RAGFlow 只是一个检索增强工具，现在加上工作流、代码沙箱、MCP 接入，能力边界已扩展到 Coze/Dify 的赛道。对于已经用 RAGFlow 做知识库的用户，升级到 Agent 平台的成本很低。

④ 私有化部署友好，Apache 2.0 协议无商用风险Docker 一键部署，支持完全离线运行，适合对数据主权有严格要求的企业。相比之下，Coze 只有云服务，Dify 的商业化版本在高级功能上有限制。

六、基本信息卡

七、竞品分析

RAGFlow 的核心赛道是"带深度文档理解的 RAG 平台"，主要竞品集中在三个方向：

差异化判断：RAGFlow 的核心优势是把"文档理解"这件事做到了 RAG 系统应有的深度，而不是把它当作一个"上传文件"的附属功能。对于文档类型复杂、合规要求高、需要答案可追溯的企业场景，RAGFlow 比 Dify/FastGPT 更合适。主要短板是：工作流生态和模板丰富度不如 Dify，品牌认知度在国际市场不如 LangChain。选型建议：如果核心需求是"文档问答的可信度"，RAGFlow 优先；如果核心需求是"快速搭建 Agent 工作流"，Dify 优先。