RAGFlow 是由 infiniflow 团队开源的一个用于构建 RAG（检索增强生成）系统的开发框架。它强调工程化能力，支持模块化流程编排、检索/生成解耦、上下文链路可视化和可调试性等特性。你可以把它看作是一个专注于搭建稳定、可控、可追踪的知识问答系统的流水线工具。
与 LangChain、LlamaIndex 这类通用型框架相比，RAGFlow 更偏向“后端基础设施”，追求可复现、可测试、可观测的 RAG 流程，尤其适合团队内部打造复杂问答系统、AI Copilot 和企业知识搜索等场景。
核心功能：
- 深度文档解析：能处理各类复杂格式数据（如多格式文件、结构化内容等），通过深度理解提取关键信息，为 AI 任务提供高质量上下文。
- 知识库构建与管理：支持创建专属知识库，可对上传文件进行解析、存储和维护。
- 检索增强生成联动：与 LLM 集成后，能基于检索到的知识生成带准确引用的回答。
部署与集成：提供 Docker Compose 部署方式，可与各类 LLM 集成。
你可以用 RAGFlow 来做什么？
- 搭建模块化的企业知识库问答系统
RAGFlow 支持对文档预处理、分块策略、嵌入生成、索引结构等每一步进行模块化配置，并支持替换组件、插入自定义节点。你可以精准控制知识库构建流程，打造适配自己业务的 RAG 系统。
- 构建“可调试”的 RAG 调用链
调一个 RAG 系统最难的是哪里错了？RAGFlow 内置链路可视化和数据追踪能力，让你清楚知道是哪个检索 query 没命中、哪一轮上下文太长被截断，帮助你快速优化整个回答流程。
- 组合 Agent + RAG 架构
你可以将 RAGFlow 作为一个组件集成进更大的 LLM Agent 系统中，例如结合 Dify 或 Lobe Chat，通过插件或 API 调用方式实现复杂意图识别 → 检索 → 回答的三段式闭环。特别适合构建财务助手、客服助手等强业务感知型 Agent。