Agents · 智能体构建平台
RAGFlow
为企业 Agent 提供文档理解与混合检索的上下文层
RAGFlow 当前继续定位为面向企业 Agent 的 context layer，覆盖多格式数据处理、语义表示、混合检索和集成式 Agent 平台。
状态
verified
开源
价格
开源 + 云服务
开源 + 商业
入口
Web / Docker / API
云端 SaaS / Docker / 自托管 / SDK 集成
API
有 API/SDK
可接第三方模型
形态
RAG / Agent 编排平台
Web / Docker
选型结论
适合文档密集、需要把多格式资料变成可检索知识库并接入 Agent 的团队。它的重心在文档解析、语义表示与混合检索，Agent 编排与工具能力需结合自身场景评估边界，云服务与自托管按运维能力取舍。
定位
适合
成本口径
核心能力
多格式文档解析
覆盖多种格式资料的解析与结构化处理，为检索与问答准备可用数据。
混合检索
结合语义与关键词的检索方式，提升知识库问答的召回与相关性。
Agent 编排
在检索之上接入工具与编排能力，把知识库能力扩展为可执行流程。
OpenAI 兼容接口
可对接兼容接口与本地模型，便于在既有模型环境中复用。
典型使用场景
企业知识库问答
把制度、手册等文档整理成知识库，支撑内部问答与检索。
文档密集型检索
面向资料量大、格式混杂的场景，先做解析与结构化再检索。
Agent 工具调用
在检索结果之上接入工具调用，构建面向具体任务的 Agent 流程。
上手步骤
- 1
本地 Docker 部署
用容器方式在自有环境启动服务，便于控制数据与网络边界。
- 2
接入模型接口
配置兼容接口或本地模型，为解析、检索与生成提供模型能力。
- 3
上传文档建库
导入多格式文档完成解析与索引，形成可检索的知识库。
- 4
调用 API 集成
通过接口把检索与问答能力接入现有业务系统或应用。
价格与使用方式
价格口径
开源状态
API 状态
使用入口
运行方式
支持平台
常见连接对象
所属生态
优点与局限
值得选的地方
- 文档解析与结构化处理是核心能力，适合资料密集场景。
- 支持混合检索，兼顾语义与关键词的召回效果。
- 开源可自托管，提供 Web、Docker 与 API 接入。
先想清楚的地方
- 文档解析与知识库能力有边界，复杂版面需自行验证效果。
- Agent 编排与工具生态需结合业务场景评估，不宜直接照搬。
- 自托管部署涉及运维投入，需要具备相应技术条件。
适合谁用
更适合
- 文档密集型知识库团队
- 需要自托管与数据可控的企业
- 做 RAG 与问答应用的技术团队
不太适合
- 只想开箱即用的轻量用户
- 无需文档检索的纯对话场景
- 缺乏运维资源的小型团队
同类对比
4 个同类常见问题
4 条RAGFlow 适合什么样的团队使用？
适合文档密集、需要把多格式资料整理成知识库并接入 Agent 的团队，尤其是重视检索质量与数据可控的企业。
RAGFlow 支持哪些部署方式？
支持云端服务、Docker 自托管与 SDK 集成，也可通过 API 接入现有系统，具体以官方文档与价格页为准。
RAGFlow 的检索能力有什么特点？
以文档解析和结构化为基础，结合语义与关键词的混合检索，提升知识库问答的召回与相关性。
RAGFlow 能否对接本地模型？
可以，既支持兼容 OpenAI 的接口，也支持本地模型，便于在自有模型环境中完成解析、检索与生成。
网站入口
3 个使用提醒
重点维护文档解析、知识库和 Agent 能力边界。