RAGFlow：9.3 万 star 的文档解析器，把你的 PDF 表格喂给 DeepSeek
它解决 RAG 里最脏的一段活：把带表格、多栏、扫描件的 PDF 解析成结构化文本。解析完交给 DeepSeek 回答，引用能精确到图。
很多文档问答工具效果差，问题不在模型，在解析。
一份带表格的 PDF，切成一段段文本之后，行列关系全丢了。模型看到的是"单价 数量 金额 120 300 36000"这样一坨，自然答不对。
RAGFlow 就是专门治这个的。9.3 万 star，地址：
https://github.com/infiniflow/ragflow
它的招牌是"深度文档理解"：版面分析、表格识别、标题层级还原，然后才切块入库。
装
git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker
docker compose -f docker-compose.yml up -d
它很重：默认包含 ES/Infinity、MySQL、MinIO、Redis 等，内存建议 8 GB 起，16 GB 舒服。小机器别硬上。
启动后打开 http://NAS地址:80，注册账号。
接 DeepSeek
右上角头像 → 模型提供商 → 添加模型：
类别选「chat model」，厂商选 OpenAI-API-Compatible 或者 DeepSeek：
Base URL: https://api.deepseek.com/v1
API Key: sk-...
模型名: deepseek-chat
再加一个 deepseek-reasoner（可选）。
还要配 embedding 和 rerank：DeepSeek 不提供这两类模型，得接别家或者本地 Ollama（bge-m3 之类）。这一步绕不过去，没 embedding 知识库用不了。
核心用法
- 知识库 → 创建，选解析方法（重点，见下）；
- 上传 PDF / Word / Excel / 扫描件；
- 它会先解析，你能在网页上看到解析结果——表格是不是还原成表格了，标题层级对不对；
- 确认无误后建索引；
- 建一个聊天助手，挂上这个知识库。
第 3 步是它和其他工具最大的区别：你能看见它理解成了什么样，不对就换解析方法重来。
解析方法怎么选
- General：普通文档，最快；
- Table：表格多的文档（财报、报价单）；
- Paper：学术论文，两栏排版；
- Book：书籍，章节结构；
- Laws：条款类，按条目切；
- Manual：说明书，图文混排。
选错方法，效果差别很大。合同用 Laws，财报用 Table，论文用 Paper。
它比 AnythingLLM 强在哪
表格。这是最实际的差别。AnythingLLM 把表格拍平成文本，RAGFlow 保留结构。
可视化调试。能看到切块结果、检索命中的片段，出问题能自己诊断。
引用精确。回答里的引用能定位到具体的块，甚至图片。
代价是部署更重、配置更复杂。
会踩的坑
启动半天起不来
它在拉一堆镜像。docker compose ps 看进度，第一次十几分钟正常。
上传 PDF 解析出一堆乱码 扫描件需要 OCR。它内置了 OCR 但要单独开，在解析设置里勾选。
检索结果很差 分块大小和解析方法不匹配。调整 “chunk token 数”，或者换解析方法试试。
内存爆掉 解析大 PDF 很吃内存。一次少传几份，或者加机器内存。
embedding 没配好 创建知识库时会报错。先去模型提供商把 embedding 配通。
它适合谁
- 有大量带表格的文档要查询（财报、报价、合同、技术手册）；
- 对答案准确性要求高、需要能核对原文的；
- 机器配置够（16 GB 内存）的。
不适合：文档都是纯文本的（AnythingLLM 更轻）；内存 8 GB 以下的机器。
最后
RAG 的效果上限，取决于你喂进去的东西有多干净。
RAGFlow 做的是把"脏活"接过去——版面分析、表格还原、层级重建。它不完美，但比"直接切文本"强一个档次。
如果你的文档里有大量表格，值得为它多花那点内存。
有问题留言。
留言