RAGFlow
RAGFlow是一款开源的检索增强生成（RAG）引擎及编排平台，由InfiniFlow团队开发。它为开发者提供基于文档解析、知识库构建和大语言模型集成的端到端RAG流程管理能力，支持多种文件格式的深度文档理解，并提供可视化的工作流编排界面，广泛应用于企业知识库问答、智能客服及文档检索等AI应用场景。
核心事实
时间轴 (近 90 天)
教程明确避开在 Windows 上使用 Docker Desktop 部署 RAGFlow，理由是这类安装方式会有各种难以排查的问题。
RAGFlow 主界面核心功能分为知识库、聊天、搜索和 Agent 四大模块，另有文件管理入口。
RAGFlow 对 MCP 的实现方式与传统理解的 MCP 功能有所不同，在集成前应查阅官方文档确认其角色、传输方式和可用工具列表。
RAGFlow 提供 HTTP API 和 Python SDK 两种调用方式。
RAGFlow 开发好的聊天应用或 Agent 可以被嵌入到网站中。
在 RAGFlow 中，嵌入模型的向量维度必须与知识库创建时选择的维度一致，否则检索会失败。
在 RAGFlow 中接入 Ollama 时，嵌入模型（如 bge-m3、nomic-embed-text）用于文档和查询向量化，对话模型（如 qwen2、llama3）用于生成回答，两者需分别添加。
RAGFlow 支持对接 Ollama 推理框架，可将本地模型用于知识库问答，嵌入模型和生成模型均可本地运行。
与 Dify 等平台相比，RAGFlow 的 Agent 节点数量较少，缺少循环、子流程等高级控制结构。
RAGFlow 的 Agent 工作流由若干预定义节点构成，常见类型包括开始节点、知识库检索节点、LLM 生成节点、条件分支节点、代码执行节点和结束节点。
还有 16 条时间轴事件
全部知识事实 (20)
RAGFlow是一款开源的RAG引擎，提供完整的知识库管理和智能问答功能
80%已验证RAGFlow依赖Elasticsearch（全文检索）、Redis（缓存）、MySQL（元数据存储）等多个服务
65%已验证RAGFlow基于Docker容器化部署，启动后运行五个容器：Redis、MinIO、MySQL、Elasticsearch和RAGFlow Server
65%待验证53AI Hub支持与Coze、Dify、FastGPT、RAGFlow等主流AI开发平台无缝集成
90%待验证RAGFlow集成了AI Agent功能，提供可视化画布和预置模板，支持客服、数据分析等典型场景
90%待验证RAGFlow的聊天助理提供可溯源的回答机制，用户可以查看AI回答具体引用了哪些知识库原文
90%待验证RAGFlow由Infiniflow团队开发，专注于RAG流程的深度优化，采用了DeepDoc等自研文档理解技术
85%待验证在RAG框架市场中，LangChain和LlamaIndex作为编排层框架，Dify、FastGPT、RAGFlow是面向业务用户的完整平台产品
85%待验证Ollama的OLLAMA_HOST环境变量需设置为0.0.0.0:11434，以便Docker容器中的RAGFlow能访问本机的Ollama服务
85%待验证Ollama默认只监听localhost，需配置环境变量OLLAMA_HOST为0.0.0.0:11434才会监听所有IP，供虚拟机内的RAGFlow访问
60%待验证在RAGFlow中添加本地DeepSeek时模型类型需选chat，本地部署无需API key
60%待验证RAGFlow支持父子切片策略——用小切片做检索匹配，但返回包含更多上下文的父切片给LLM
60%待验证RAGFlow集成了DeepDoc项目的OCR能力，能够识别扫描版PDF中的文字内容
60%待验证RAGFlow支持多种文档格式，包括PDF、Word、Excel等
60%待验证RAGFlow采用深度文档理解技术（Deep Document Understanding），能够识别文档的标题层级、表格结构、页眉页脚等版式信息
60%待验证教程明确避开在 Windows 上使用 Docker Desktop 部署 RAGFlow，理由是这类安装方式会有各种难以排查的问题。
50%待验证RAGFlow 的 Agent 模块采用工作流式编排，形态上接近 Dify 或 Coze 中的可视化流程。
50%待验证当前 RAGFlow 支持的 Agent 节点数量相对有限。
50%待验证RAGFlow 的 Agent 工作流由若干预定义节点构成，常见类型包括开始节点、知识库检索节点、LLM 生成节点、条件分支节点、代码执行节点和结束节点。
50%待验证与 Dify 等平台相比，RAGFlow 的 Agent 节点数量较少，缺少循环、子流程等高级控制结构。
50%