Обзор RagFlow 2026: open-source RAG-движок для AI-приложений

Архитектура RagFlow: конвейер обработки документов

Что такое RagFlow

RagFlow — это open-source движок retrieval-augmented generation (RAG), который превращает ваши документы в базу знаний, по которой языковая модель отвечает на вопросы с точными ссылками на источники. Проект разрабатывается компанией InfiniFlow и распространяется под лицензией Apache 2.0, то есть его можно свободно использовать, дорабатывать и разворачивать у себя — даже в коммерческих продуктах.

Главное отличие RagFlow от «простых» RAG-решений — это глубокое понимание документов. Традиционные инструменты режут текст на куски почти вслепую, теряя таблицы, колонки, подписи к изображениям и иерархию заголовков. RagFlow использует собственную технологию DeepDoc, которая распознаёт layout документа, извлекает таблицы и изображения, строит граф знаний и только потом делит контент на осмысленные чанки. На практике это означает заметно более точные ответы на сложных документах: финансовых отчётах, договорах, технической документации и презентациях.

Ключевая концепция «ragflow что это» сводится к следующему: это не чат-бот и не фреймворк в чистом виде, а готовая платформа, которую можно поднять одной командой в Docker Compose и получить полноценный веб-интерфейс, REST API и Python SDK. Она закрывает весь цикл: загрузка документов → парсинг → чанкинг → эмбеддинги → индексация → гибридный поиск → генерация ответа с цитированием.

Ключевые возможности

Возможность	Описание	Оценка
🔍 Глубокое понимание документов	Технология DeepDoc распознаёт вёрстку, таблицы, изображения и заголовки в PDF, Word, Excel, PPT и HTML. Контент не «слепливается» в сплошной текст, а сохраняет структуру — это радикально повышает качество ответов.	★★★★★
🔀 Гибридный поиск	Одновременно использует векторный поиск (по смыслу) и полнотекстовый (по точному совпадению слов), комбинируя результаты. Поддерживает переранжирование (rerank) для лучшей релевантности.	★★★★★
🤖 Agentic RAG	Встроенные агенты сами планируют поиск: разбивают сложный вопрос на подзадачи, обращаются к разным источникам и инструментам, а затем собирают итоговый ответ с цитатами.	★★★★★
✂️ Умный чанкинг	Шаблонная разбивка на чанки по типу документа (книга, договор, отчёт, презентация) вместо «тупого» деления по N символов. Можно задать свои правила и границы.	★★★★★
🕸️ Граф знаний (GraphRAG)	Автоматически извлекает сущности и связи между ними, строит граф знаний, что позволяет отвечать на вопросы, требующие рассуждений по нескольким документам.	★★★★☆
🔌 Широкие интеграции	Работает с Ollama, OpenAI, DeepSeek, Qwen, Moonshot, ZhipuAI и любыми OpenAI-совместимыми LLM. Поддержка множества embedding-моделей (BGE, Jina, OpenAI и др.).	★★★★★
🖥️ Веб-консоль + API	Удобный веб-интерфейс для управления базами знаний и чатами, плюс REST API и Python SDK для встраивания в свои приложения.	★★★★☆
👥 Управление доступом	Мультитенантность: команды, роли, права на базы знаний. Подходит для корпоративного развёртывания с разделением данных между отделами.	★★★★☆

Установка через Docker Compose

Самый простой и рекомендуемый способ запустить RagFlow — Docker Compose. Проект поднимает несколько контейнеров: веб-сервер, Elasticsearch (поиск), MySQL (метаданные), Redis (очереди и кэш) и MinIO (хранилище объектов). Всё управляется из одного файла.

🚀 Клонирование и запуск

# Клонируем репозиторий и переходим в каталог docker
git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker

# Настраиваем переменные окружения (см. .env ниже)
cp .env.example .env

# Запускаем все сервисы в фоне
docker compose up -d
    

⚙️ Фрагмент docker-compose.yml (основные сервисы)

version: '3.8'

services:
  ragflow-server:
    image: infiniflow/ragflow:latest
    ports:
      - "9380:9380"      # веб-интерфейс и REST API
      - "80:80"          # HTTP-прокси
    volumes:
      - ./ragflow-logs:/ragflow/logs
    - ./ragflow-data:/ragflow/data
    depends_on:
      - mysql
      - es01
      - redis
      - minio

  mysql:
    image: mysql:8.0
    environment:
      MYSQL_ROOT_PASSWORD: infini_rag_flow
    ports:
      - "5455:3306"

  es01:
    image: docker.elastic.co/elasticsearch/elasticsearch:8.11.3
    environment:
      - discovery.type=single-node
      - xpack.security.enabled=false
    ports:
      - "1200:9200"

  redis:
    image: valkey/valkey:8

  minio:
    image: minio/minio:latest
    command: server /data --console-address ":9001"
    

🔑 Фрагмент .env — выбор LLM

# DeepSeek (дешёвый и мощный вариант для русского языка)
LLM_FACTORY=DeepSeek
API_KEY=sk-xxxxxxxxxxxxxxxx
MODEL_NAME=deepseek-chat

# Или локальная модель через Ollama (без облака и API-ключей)
# LLM_FACTORY=Ollama
# MODEL_NAME=llama3.1:8b
    

⚠️ Требования: Docker 24+ и Docker Compose v2, минимум 16 ГБ ОЗУ (рекомендуется 32 ГБ), несколько ГБ диска для Elasticsearch и моделей. После запуска веб-интерфейс доступен на http://localhost:80, а API — на http://localhost:9380.

Интеграции и поддерживаемые модели

Одно из сильнейших мест RagFlow — гибкость в выборе языковых и embedding-моделей. Вы не привязаны к одному провайдеру: можно комбинировать облачные API и локальные модели, подключая собственные LLM через OpenAI-совместимый интерфейс.

Провайдер	Тип	Особенности
OpenAI	Облачный API	GPT-4o / GPT-4.1 и др. Высокое качество, платно по факту использования.
DeepSeek	Облачный API	Отличное соотношение цена/качество, хорошо работает с русским языком.
Qwen	Облачный API	Мультиязычная линейка Alibaba Cloud, сильна в задачах на китайском и английском.
Ollama	Локально	Запуск open-source моделей (Llama, Qwen, Mistral) на своём железе — данные не покидают сервер.
Moonshot / ZhipuAI	Облачный API	Популярные азиатские провайдеры LLM, поддерживаются из коробки.
Собственный LLM	Любой	Любой сервер с OpenAI-совместимым API (vLLM, LM Studio, TGI и т.д.).

Для эмбеддингов доступны BGE, Jina, OpenAI и другие модели, а также возможность переранжирования через reranker-модели. Такая свобода означает, что RagFlow можно развернуть полностью автономно — без отправки единого байта во внешние облака, что критично для компаний с чувствительными данными.

Построение базы знаний: Python SDK

RagFlow предоставляет официальный Python SDK ragflow-sdk, с помощью которого можно автоматизировать загрузку документов, создание баз знаний и ассистентов-чатов. Вот типичный сценарий:

🐍 Создание базы знаний и загрузка документов

from ragflow_sdk import RAGFlow

# Подключаемся к self-hosted инстансу RagFlow
rag = RAGFlow(
    api_key="ragflow-xxxxxxxxxxxxxxxx",
    base_url="http://localhost:9380"
)

# Создаём базу знаний
dataset = rag.create_dataset(
    name="Техническая документация",
    embedding_model="BAAI/bge-large-zh-v1.5",
    chunk_method="paper"  # шаблон для научных статей
)

# Загружаем документы (PDF, Word, Excel, PPT — всё поддерживается)
rag.upload_documents(
    dataset_id=dataset.id,
    files=["manual.pdf", "price_list.xlsx", "spec.docx"]
)
    

💬 Создание чат-ассистента поверх базы знаний

# Создаём чат, привязанный к базе знаний
assistant = rag.create_chat(
    name="Ассистент поддержки",
    dataset_ids=[dataset.id],
    llm={"model": "deepseek-chat", "temperature": 0.2},
    prompt="Отвечай строго по документам и цитируй источники."
)

# Задаём вопрос и получаем ответ со ссылками
for ans in rag.ask(assistant.id, "Какие гарантийные сроки на оборудование?"):
    print(ans.content)        # текст ответа
    print(ans.reference)      # цитируемые фрагменты документов
    

📄 Настройка чанкинга в конфигурации

# Доступные шаблоны разбивки в зависимости от типа документа:
general   — универсальный текст
book      — книги и длинные документы
paper     — научные статьи
resume    — резюме
laws      — нормативные акты
manual    — инструкции и руководства
qa        — вопросы и ответы
table     — табличные данные
    

💡 Помимо SDK доступен полноценный REST API (документация Swagger на /api/v1), так что RagFlow легко встраивается в любые приложения на любом языке.

Сравнение с аналогами

На рынке RAG-инструментов в 2026 году есть несколько сильных игроков. Вот как RagFlow выглядит на фоне AnythingLLM, Dify и LlamaIndex:

Критерий	RagFlow	AnythingLLM	Dify	LlamaIndex
Тип продукта	RAG-платформа	Персональный AI-ассистент	Low-code платформа LLM-приложений	Python-фреймворк
Лицензия	✅ Apache 2.0	✅ MIT	✅ Apache 2.0	✅ MIT
Глубокое понимание документов	✅ DeepDoc (таблицы, layout, изображения)	❌ Базовый парсинг текста	⚡ Зависит от загрузчиков	⚡ Через reader-модули
Гибридный поиск	✅ Vector + full-text + rerank	⚡ В основном векторный	✅ Да	⚡ Настраивается вручную
Agentic RAG	✅ Встроенные агенты	❌ Нет	✅ Агенты и workflow	✅ Агенты через код
Графический интерфейс	✅ Веб-консоль	✅ Да	✅ Да	❌ Только код
Парсинг Excel / PPT	✅ Нативно	❌ Ограниченно	⚡ Через загрузчики	⚡ Через загрузчики
Развёртывание	✅ Docker Compose	✅ Docker / десктоп	✅ Docker Compose	✅ pip install
Порог входа	⚡ Средний (нужен сервер)	✅ Низкий	⚡ Средний	❌ Высокий (код)
Для кого	Enterprise RAG, корпоративные базы знаний	Индивидуальный ассистент	Команды и продуктовые AI-приложения	Разработчики, кастомные пайплайны

✅ = Полноценная поддержка ⚡ = Частичная/ограниченная ❌ = Отсутствует

Ключевые метрики

⭐

45K+

Звёзд на GitHub

🍴

8K+

Форков

📄

10+

Форматов документов

🔌

20+

Интеграций LLM

🐳

1 команда

Развёртывание (docker compose)

🧩

v0.20+

Актуальная версия (2026)

🕸️

GraphRAG

Граф знаний из коробки

🔐

Self-hosted

Данные остаются у вас

ℹ️ Метрики сообщества (звёзды, форки) приведены по состоянию на август 2026 года и являются ориентировочными — они меняются ежедневно.

Тарифы и цены

Self-hosted версия полностью бесплатна — это открытый код под Apache 2.0. Вы платите только за собственное железо (или VPS) и, при желании, за API-ключи облачных LLM вроде OpenAI или DeepSeek. Для многих компаний это самый привлекательный вариант: никакой абонентской платы и полный контроль над данными.

Помимо этого InfiniFlow предлагает RagFlow Cloud — управляемый облачный сервис, где не нужно администрировать серверы. На момент написания обзора (август 2026) в облаке есть бесплатный стартовый тариф для знакомства и платные планы, начинающиеся ориентировочно от $25–30 в месяц за команду. Точные цены зависят от объёма документов, количества пользователей и выбранных моделей, поэтому перед покупкой стоит проверить актуальный прайс на официальном сайте — тарифы могут меняться.

Итоговая стоимость self-hosted инсталляции складывается из трёх компонентов: сервер (рекомендуется от 4 vCPU / 16 ГБ RAM), API облачной LLM (от нескольких долларов в месяц при умеренном трафике) или, при использовании Ollama, только из электричества и железа.

Плюсы и минусы

✅ Преимущества

Лучшее в классе понимание документов — DeepDoc извлекает таблицы, изображения и сложную вёрстку там, где конкуренты «слепнут»
Полностью открытый код — Apache 2.0, никакой привязки к вендору и скрытых ограничений
Гибридный поиск из коробки — векторный + полнотекстовый + rerank без ручной настройки
Agentic RAG и GraphRAG — агенты и граф знаний для сложных многошаговых вопросов
Свобода выбора моделей — OpenAI, DeepSeek, Qwen, Ollama или собственный LLM через OpenAI-совместимый API
Простые Docker Compose и веб-консоль — поднимается за минуты, управляется через браузер
Данные остаются у вас — self-hosted развёртывание без утечки документов наружу
Активное сообщество — десятки тысяч звёзд, частые релизы и живые обсуждения

❌ Недостатки

Требователен к ресурсам — Elasticsearch + MySQL + Redis + MinIO требуют минимум 16 ГБ RAM, для малых VPS это дорого
Сложная инфраструктура — несколько контейнеров, которые нужно мониторить и обновлять
Качество зависит от LLM — при использовании локальных моделей через Ollama ответы слабее, чем у GPT-4o
Порог входа — для полноценной настройки чанкинга и rerank нужны базовые знания RAG
Не конструктор приложений — это именно RAG-движок, а не full-stack платформа как Dify с широкими workflow
Расход токенов — глубокий парсинг и агенты потребляют заметное количество токенов на облачных API
Скорость индексации — глубокий анализ документов работает медленнее, чем простой «сплит по символам»

Итог: Вердикт Qantcore

🏆 Оценка Qantcore: 9.0 / 10

RagFlow — это, на наш взгляд, сильнейший open-source RAG-движок 2026 года для тех, кому важна точность на сложных документах. Его ключевое преимущество — технология DeepDoc — решает главную проблему классического RAG: потерю структуры документа при чанкинге. Если ваша база знаний состоит из PDF-отчётов с таблицами, договоров, Excel-прайсов и презентаций, RagFlow даст заметно более качественные ответы, чем AnythingLLM или наивный LlamaIndex-пайплайн.

Платой за это становится требовательность к ресурсам: полноценная инсталляция хочет 16–32 ГБ RAM и несколько контейнеров. Для инженера это не проблема, а вот для человека, который хочет «просто загрузить файлы и спросить», более лёгкий AnythingLLM может оказаться удобнее. Dify выигрывает там, где нужен визуальный конструктор многошаговых приложений, а LlamaIndex — когда хочется собрать пайплайн руками на чистом Python.

Если ваш приоритет — корпоративная база знаний, полный контроль над данными и точность поверх документов со сложной вёрсткой, RagFlow обязателен к рассмотрению. Self-hosted бесплатен, разворачивается одной командой и закрывает весь RAG-цикл «из коробки».

🏅 Награда Qantcore «Лучший open-source RAG-движок» — за глубокое понимание документов и agentic RAG, август 2026.

Кому подойдёт RagFlow

Профиль пользователя	Насколько подходит	Почему
🏢 Корпоративная база знаний	★★★★★	Глубокий парсинг сложных документов, управление доступом, self-hosted без утечки данных.
📊 Аналитик / юрист / финансист	★★★★★	Точное извлечение таблиц и цифр из PDF/Excel, цитирование источников — критично для отчётности.
🧑‍💻 Разработчик RAG-приложений	★★★★★	Python SDK и REST API позволяют встроить RagFlow как готовый бэкенд поиска по документам.
🔐 Компания с чувствительными данными	★★★★★	Полностью локальное развёртывание, включая локальные LLM через Ollama.
🎓 Исследователь / студент	★★★★☆	Шаблон «paper» отлично работает с научными статьями, но нужен сервер с достаточной памятью.
💬 Хочет «просто чат с файлами»	★★★☆☆	Возможности есть, но инфраструктура тяжеловата — для простых задач проще взять AnythingLLM.

История и развитие проекта

RagFlow был создан компанией InfiniFlow — командой, в которую вошли инженеры с опытом работы в крупных технологических компаниях и академических исследованиях в области поиска и обработки естественного языка. Проект стартовал в 2024 году и сразу привлёк внимание сообщества благодаря свежему подходу: вместо очередного «обёрточного» RAG-фреймворка авторы сфокусировались на самой сложной части — точном извлечении смысла из неструктурированных документов.

2024 Q1 — Первый публичный релиз RagFlow с DeepDoc и поддержкой PDF/Word
2024 Q3 — Гибридный поиск (vector + full-text), интеграция с Ollama и DeepSeek
2025 Q1 — Появление GraphRAG и графа знаний, шаблоны чанкинга по типам документов
2025 Q3 — Agentic RAG, встроенные агенты, расширение REST API и Python SDK
2026 Q1 — Улучшенное распознавание таблиц и изображений, поддержка новых LLM
2026 Q2 — Оптимизация потребления памяти, облачный сервис RagFlow Cloud

Сегодня RagFlow — один из самых быстрорастущих RAG-проектов на GitHub с десятками тысяч звёзд и активным сообществом контрибьюторов. Релизы выходят регулярно, а инфраструктура уже используется в проде компаниями разного масштаба. Благодаря лицензии Apache 2.0 проект можно свободно встраивать в коммерческие продукты без раскрытия собственного кода.