RAGFlow est un moteur de RAG (Retrieval-Augmented Generation) open-source de premier plan qui fusionne les technologies RAG de pointe avec des capacités Agent pour créer une couche de contexte supérieure pour les LLM. Il offre un flux de travail RAG rationalisé, adaptable aux entreprises de toute taille. Alimenté par un moteur de contexte convergent et des modèles d'agents préconstruits, RAGFlow permet aux développeurs de transformer des données complexes en systèmes d'IA haute-fidélité, prêts pour la production, avec une efficacité et une précision exceptionnelles.

Essayez notre service cloud sur https://cloud.ragflow.io.

• 2026-09-29 Publication de RAGFlow 1.0.0-rc1.

• 2026-09-10 Ajout de l’ingestion de contenus Web à partir de sitemaps.

• 2026-08-19 Lancement de Knowledge Compilation pour générer des wikis, graphes, arbres, PageIndex, cartes mentales, chronologies et compétences au niveau des documents et des bases de connaissances.

• 2026-08-19 Lancement d’Agentic RAG avec quatre modes de réflexion : Low, Medium, High et Ultra.

• 2026-07-02 Ajout de l’ingestion de données depuis Google BigQuery et de la synchronisation incrémentielle.

Consultez les notes de version complètes pour découvrir les autres nouveautés.

⭐️ Mettez une étoile à notre dépôt pour rester informé des nouvelles fonctionnalités et améliorations passionnantes ! Recevez des notifications instantanées pour les nouvelles versions ! 🌟

• Extraction de connaissances basée sur la compréhension approfondie des documents à partir de données non structurées aux formats complexes.
• Trouve "l'aiguille dans la meule de données" de tokens littéralement illimités.

• Intelligent et explicable.
• De nombreuses options de templates disponibles.

• Transformez le contenu des documents et des jeux de données en connaissances structurées, notamment Wiki, Graph, Tree, PageIndex, Mind Map, Timeline et Skills.
• Configurez les modèles et règles de traitement, puis consultez, mettez à jour ou régénérez les résultats.

• Le modèle analyse les questions complexes et peut les décomposer, rechercher des connaissances et vérifier les preuves en plusieurs étapes.
• Les modes Low, Medium, High et Ultra permettent de régler la profondeur de recherche et de raisonnement selon la complexité de la question.

• Visualisation du découpage de texte pour permettre une intervention humaine.
• Aperçu rapide des références clés et citations traçables pour soutenir des réponses fondées.

• Prend en charge les documents Word, les présentations PowerPoint, les feuilles Excel, les fichiers TXT, les images, les PDF, les copies numérisées, les données structurées, les pages web, et plus encore.

• Orchestration RAG rationalisée adaptée aux particuliers comme aux grandes entreprises.
• LLM et modèles d'embedding configurables.
• Rappel multiple associé à un ré-classement fusionné.
• APIs intuitives pour une intégration transparente avec les entreprises.

Le déploiement local prend en charge Docker et le lancement depuis les sources. Docker convient à l’évaluation rapide, aux tests d’intégration et à la production, tandis que le lancement depuis les sources est destiné au développement et au débogage de RAGFlow. Docker ne nécessite pas de compilateur Go ; le lancement depuis les sources requiert la version de Go indiquée dans go.mod, ainsi que Node.js et npm pour le développement de l’interface.

• Configuration de départ recommandée : 4 cœurs CPU, 16 Go de RAM et 50 Go d’espace disque disponible.
• Docker ≥ 24.0.0, Docker Compose ≥ v2.26.1.

1. Avec Elasticsearch, définissez vm.max_map_count sur au moins 262144. Cette étape n’est généralement pas nécessaire avec Infinity :

   sysctl vm.max_map_count
   sudo sysctl -w vm.max_map_count=262144

2. Clonez le dépôt :

   git clone https://github.com/infiniflow/ragflow.git

3. Accédez au répertoire Docker, sélectionnez le tag de version, puis démarrez les services :

   cd ragflow/docker
   git checkout v1.0.0-rc1
   docker compose -f docker-compose.yml up -d

   RAGFlow 1.0 open source uses CPU inference for DeepDoc layout analysis, OCR, and table recognition.

4. Vérifiez l’état des dépendances et la disponibilité de l’API :

   curl -f http://localhost/api/v1/system/healthz
   docker logs --tail 50 ragflow-cpu

5. Ouvrez http://IP_OF_YOUR_MACHINE dans un navigateur et connectez-vous. Avec la configuration par défaut, le port HTTP 80 peut être omis.

6. Ajoutez un LLM, un modèle d’embedding et un reranker dans la page des fournisseurs de modèles, avec le nom, l’adresse du service et la clé API.

   llm_api_key_setup

Consultez le guide de démarrage rapide pour plus de détails.

Docker utilise docker/.env et docker/docker-compose.yml. Suivez le guide de configuration Docker pour l’image, les ports, les mots de passe, le moteur de documents et la source des images de modèles. Pour les plateformes prises en charge et la construction depuis les sources, consultez le guide de construction de l’image Go. macOS n’est actuellement pas pris en charge.

1. Clonez le dépôt et installez la version de Go indiquée dans go.mod, Clang 20, LLD 20, CMake ≥ 4.0, les fichiers de développement PCRE2 et les bibliothèques natives requises par CGO.

   git clone https://github.com/infiniflow/ragflow.git
   cd ragflow

2. Exécutez les scripts de téléchargement des dépendances pour préparer les bibliothèques natives statiques liées par la compilation Go (download_dev_deps.py) et les ressources de modèles / tokeniseurs chargées à l'exécution par le backend (download_deps.py) :

   uv run tools/scripts/download_dev_deps.py
   uv run ragflow_deps/download_deps.py

   download_dev_deps.py télécharge et décompresse pdfium, pdf_oxide, office_oxide et onnxruntime sous ~/ragflow-native-libs ; download_deps.py télécharge le vocabulaire cl100k, les modèles DeepDoc et les ressources de tokeniseurs d'embedding sous ragflow_deps/. Les deux sont des scripts Python ; uv run installe automatiquement leurs dépendances déclarées (requests, plus huggingface-hub pour les téléchargements de modèles et de tokeniseurs). Ignorez cette étape si vous avez déjà préparé les mêmes ressources autrement. Lors du démarrage depuis la racine du dépôt, les services Go trouvent automatiquement internal/rag/res/deepdoc ; pour démarrer depuis un autre répertoire, définissez DEEPDOC_MODEL_DIR sur son chemin absolu.

3. Compilez les services :

   ./build.sh --all

4. Démarrez les dépendances locales et vérifiez que les hôtes et ports de conf/service_conf.yaml sont accessibles :

   sudo sysctl -w vm.max_map_count=262144
   docker compose --env-file docker/.env -f docker/docker-compose-base.yml up -d --wait es01 mysql minio nats kvrocks

5. Exécutez la migration de la base de données :

   ./bin/ragflow_server --migrate

6. Démarrez les quatre services dans quatre terminaux distincts :

   Terminal 1 : Admin sur le port 9381.

   ./bin/ragflow_server --admin

   ./bin/ragflow_server --ingestor

   Terminal 3 : Syncer.

   ./bin/ragflow_server --syncer

   Terminal 4 : API sur le port 9380.

   ./bin/ragflow_server --api

7. Uniquement pour développer le front-end, installez Node.js et npm, puis vérifiez la disponibilité de l’API :

   cd web
   npm install
   curl -f http://127.0.0.1:9380/api/v1/system/healthz

Consultez Lancer le service depuis les sources pour plus de détails.

Notes d’exploitation : pour rendre le réglage Elasticsearch permanent, ajoutez vm.max_map_count=262144 à /etc/sysctl.conf. Avec MySQL par défaut, l’entrée de l’image Docker exécute la migration avant de démarrer Admin, Syncer, Ingestor et API. Dans la version open source 1.0, DeepDoc utilise le CPU pour l’analyse de mise en page, l’OCR et les tableaux. Après une modification Docker, redémarrez les services et suivez le guide Docker pour conserver ou supprimer les données. download_dev_deps.py prépare les bibliothèques natives et download_deps.py les modèles et ressources de tokeniseurs ; les deux s'exécutent via uv run. --migrate migre puis quitte ; --admin démarre le service d’administration, --ingestor le service d’ingestion, --syncer le service de synchronisation des sources de données externes et --api le service API pour l’interface Web et les SDK. Une réponse HTTP 200 indique que l’API est prête.

• Quickstart
• Configuration
• Release notes
• User guides
• Developer guides
• References
• FAQs

Voir la Feuille de route RAGFlow 2026

• Discord
• X
• GitHub Discussions

RAGFlow s'épanouit grâce à la collaboration open-source. Dans cet esprit, nous accueillons des contributions diverses de la communauté. Si vous souhaitez en faire partie, consultez d'abord nos Directives de contribution.