RAGFlow（1）：集成深度文档理解能力的RAG引擎

特点汇总

RAGFlow 的设计思路和市面上很多方案都不一样，没有直接套用 LangChain、LlamaIndex 这类中间件，而是选择从底层重新构建。先看这张官方架构图：

它的核心能力之一，是能

——标题、段落、图表的位置都能区分清楚。比如尝试输入“Figure 1”进行测试，系统能成功召回对应的图表，但对话时依然保留的是图里的文本信息，暂时还不支持多模态理解。这意味着在纯文本的检索层面做得不错，但离真正的图文联合推理还有一步。

表格处理是另一个亮点。RAGFlow 会对表格单独进行提取和存储，并且能较好地还原成 HTML 表格，准确率在实测中表现不错。代码层面，每个 chunk 都使用了

组件来做高亮显示，交互体验值得肯定。

考虑到不同行业、不同岗位接触的文档类型千差万别——会计看报表、HR 看简历、科研工作者看论文，RAGFlow 提供了丰富且灵活的分块解析方法以及对应的实例，可以适配各种场景。

在可追溯性上，RAGFlow 允许用户随时查看答案是基于哪些原文生成的，并提供了原文的引用链接，方便详细对照和核实。这一点对于企业级应用尤为重要，毕竟没人敢把一个“黑箱”直接拿来做决策支撑。

从长远规划来看，RAGFlow 追求的是对非结构化数据的深度语义理解。团队计划把更可扩展的文档结构识别模型引入系统，从而适应企业级复杂场景的需求。另外在数据源接入方面，目标也不只是接个 PDF 或者网页那么简单，未来会接入企业的各类数据源——比如 MySQL 的 binlog、数据湖的 ETL 管道、外部爬虫等——让 RAG 引擎真正成为 B 端场景下的基础设施。