Архивная версия статьи — версия продукта v0.26.4, проверена 11 июля 2026 г.. Инструкции могли устареть.Актуальная статья →
AI

RAGFlow

Open-source движок RAG: загружаете свои документы, система глубоко их разбирает (DeepDoc - структура, таблицы, макет), строит базу знаний, и LLM отвечает на вопросы по вашим данным с цитатами и ссылками на источник. Приватный «чат с документами» на своем сервере. Развернули v0.26.4 на Fatmetal, замерили (самый тяжелый продукт из наших разборов) и честно разобрали, что для генерации ответов нужен внешний LLM.

AI Лицензия: Apache-2.0, open-source Проверено: v0.26.4, Ubuntu 24.04

Коротко: брать или нет

Подходит
  • Нужна приватная база знаний по внутренним документам (регламенты, договоры, техдока) с ответами и цитатами
  • Важен глубокий разбор сложных PDF и таблиц - DeepDoc сильнее простых RAG-оберток
  • Данные документов должны остаться в РФ, без зарубежных облаков (152-ФЗ); в связке с локальным Ollama - полностью автономно
Не подходит
  • Мало ресурсов: нужно 16 ГБ RAM и Elasticsearch - на тарифах CPU6-RAM16-DISK100 не поднимется
  • Нет LLM: без внешней модели (OpenAI/DeepSeek/Ollama) генерация ответов не работает
  • Нужно «поставил и сразу польза»: тут надо настроить модель, завести базу знаний, загрузить и разобрать документы
RAM в простое ~8 ГБ Версия v0.26.4 Лицензия Apache-2.0 Тариф от CPU6-RAM16 Нужен внешний LLM

Проверено на RAGFlow v0.26.4, Ubuntu 24.04, docker compose, июль 2026. RAGFlow развивается быстро - на новых версиях детали могут отличаться.

Что это

Что это и какую задачу решает

RAGFlow - это движок RAG (Retrieval-Augmented Generation), то есть «чат с вашими документами». Вы загружаете файлы (PDF, DOCX, таблицы, картинки, сайты), RAGFlow глубоко их разбирает через свой модуль DeepDoc (распознает структуру, таблицы, макет, делает OCR), режет на осмысленные куски, векторизует и строит базу знаний. Дальше языковая модель отвечает на вопросы по этим данным - но не «из головы», а с цитатами и ссылками на конкретный фрагмент документа. Это резко снижает галлюцинации по сравнению с обычным чатом с LLM.

По задаче RAGFlow - это приватный корпоративный ассистент по документам: поддержка отвечает по регламентам, юристы - по договорам, инженеры - по техдокументации. Он глубже простых RAG-оберток именно за счет качества разбора сложных PDF и таблиц. Проект очень популярен: около 85 тыс. звезд на GitHub, и это полноценный open-source под Apache-2.0.

Главная RAGFlow на русском: датасеты и чат
Главная RAGFlow на русском: разделы Датасет, Чат, Поиск, Агент, Память. Интерфейс полностью локализован - переключается в один клик.
Из чего состоит

Что у RAGFlow под капотом (тяжелый стек)

RAGFlow - это не одно приложение, а связка сервисов в docker compose. ragflow-server - ядро (API + веб). Elasticsearch 8.11 - движок документов и векторного поиска (по умолчанию; есть альтернативы - Infinity, OpenSearch). MySQL - метаданные. MinIO - объектное хранилище исходных файлов. Redis - очереди. Плюс отдельный task executor разбирает документы в фоне.

Из этого следует главное: RAGFlow тяжелый. Один только Elasticsearch держит несколько гигабайт RAM, а образ RAGFlow - около 12 ГБ (в него встроены embedding-модели). Поэтому требования жесткие: минимум 16 ГБ RAM, и обязательно нужно поднять системный параметр vm.max_map_count до 262144, иначе Elasticsearch не стартует.

ragflow-server (Go)Elasticsearch 8.11MySQL 8MinIORedisDeepDoc
Установка

В маркетплейсе Fatmetal

Не хотите ставить руками?

Этот стек есть в маркетплейсе Fatmetal - можно не повторять установку из этого разбора вручную. Заказываете сервер, за пару минут получаете рабочий домен, валидный TLS и файл с доступами.

Рекомендуемая конфигурация: CPU6-RAM16-DISK100

Развернуть в 1 клик →

Как развернуть на Fatmetal Cloud Server

Взяли Fatmetal Cloud Server на тарифе CPU6-RAM16-DISK100 с чистой Ubuntu 24.04 - для RAGFlow это не запас, а необходимость. Ставится docker compose из репозитория проекта.

  1. Системный параметр для Elasticsearch

    sudo sysctl -w vm.max_map_count=262144 и то же в /etc/sysctl.conf. Без этого ES не поднимется.

  2. Docker и клон нужной версии

    Клонируем репозиторий строго на теге нужной версии (--branch v0.26.4) - версия клона должна совпадать с версией образа, иначе смонтированный entrypoint не найдет свои скрипты.

  3. Домен и TLS

    Веб RAGFlow слушает 80 внутри. Разводим порты (веб на 8080), а Caddy делает reverse-proxy на magic-DNS домен с автоматическим Let's Encrypt.

  4. docker compose up

    Тянет образ RAGFlow (~12 ГБ) плюс Elasticsearch, MySQL, MinIO, Redis. Первый старт долгий - ES должен подняться и пройти инициализацию.

Проверили не только запуск: зарегистрировали аккаунт, зашли, переключили интерфейс на русский - все работает.

Датасет RAGFlow на русском: файлы, тестирование извлечения, конфигурация
Датасет (база знаний): Файлы, Тестирование извлечения, Логи, Конфигурация. «Тестирование извлечения» - фирменная фича RAGFlow: проверить, что именно найдется по запросу.
Замеры

Сколько реально ест (самый тяжелый из разборов)

В простое, сразу после инициализации, стек занимает ~8 ГБ RAM из 16. Главные едоки - Elasticsearch (~4.3 ГБ) и сам ragflow-server (~3.3 ГБ). MySQL, MinIO и Redis - по мелочи. Диск: 18 ГБ из-за большого образа (12.3 ГБ). Для сравнения: наш n8n держался на ~0.46 ГБ, Immich - на ~3 ГБ. RAGFlow - самый ресурсоемкий продукт из всех наших разборов.

RAM системы в простое~8890 / 15992 МБ
Elasticsearch~4.3 ГБ
ragflow-server~3.3 ГБ
MySQL~382 МБ
Диск (ОС + образы)18 / 96 ГБ
Образ RAGFlow12.3 ГБ

Вывод по ресурсам однозначный: 16 ГБ RAM - минимум, а не рекомендация. На меньшем тарифе RAGFlow либо не стартует (ES), либо будет жить впритык. Тариф - от CPU6-RAM16.

LLM

Нужен внешний LLM - это отдельная зависимость

Важный момент, который легко упустить: RAGFlow сам не генерирует ответы. Embedding-модели (для векторизации документов) в полном образе встроены, поэтому разбор и поиск работают из коробки. Но для собственно чата - генерации ответа по найденным фрагментам - нужна языковая модель, и ее надо подключить в настройках.

i

Варианты LLM: облачные API (OpenAI, DeepSeek и совместимые) - быстро, но данные уходят провайдеру и нужна оплата; или локальный Ollama (open-source модель на том же или соседнем сервере) - тогда контур полностью автономный и приватный, что и есть сильный сценарий для РФ. Retrieval и разбор документов работают без модели, но полноценный «чат с документами» - только после ее настройки.

Раздел Чат RAGFlow на русском
Раздел «Чат»: здесь создаются чат-приложения поверх базы знаний. Для генерации ответов подключается LLM (облачный API или локальный Ollama).
Доступ

Как войти

Первый вход - регистрация аккаунта (email, ник, пароль) прямо в веб-интерфейсе; первый зарегистрированный становится администратором. Пароль заранее не выдается и в логах не лежит. После входа интерфейс переключается на русский в один клик (в шапке - селектор языка). Дальше - подключаете модель, создаете базу знаний, загружаете документы и настраиваете чат.

Где может сломаться

Где может сломаться

Elasticsearch не стартует без vm.max_map_count

Если не поднять системный параметр vm.max_map_count до 262144, Elasticsearch падает при старте, и весь RAGFlow за ним. Это первый обязательный шаг.

Crash-loop: run_migrations.sh: No such file or directory

Причина. Версия клонированного репозитория не совпадает с версией образа. Compose монтирует entrypoint.sh из клона, а он вызывает скрипты, которых нет в другой версии образа.

Решение. Клонировать репозиторий ровно на теге образа (git clone --branch v0.26.4), а не с ветки main.

Тяжелый и требует LLM

16 ГБ RAM - минимум. И помните: без подключенной языковой модели генерация ответов не работает. Заложите либо оплату облачного API, либо ресурсы под локальный Ollama.

Когда НЕ ваш выбор

Когда это НЕ ваш выбор

Если у вас мало ресурсов или нужен легкий сервер - RAGFlow не для тарифов CPU6-RAM16-DISK100: 16 ГБ RAM и Elasticsearch. Для простого чата с парой документов посмотрите более легкие решения (AnythingLLM, Open WebUI с базовым RAG).

Если вы не готовы подключать и обслуживать LLM - RAGFlow из коробки не отвечает на вопросы, ему нужна модель. Без нее вы получите движок разбора и поиска, но не «чат с документами».

Если задача - простая автоматизация или боты, а не глубокий разбор документов - это скорее территория Dify или n8n, а не RAGFlow.

FAQ

Частые вопросы

Это бесплатно?

Да, RAGFlow - полноценный open-source под Apache-2.0. Self-host бесплатный без функциональных ограничений ядра. Платить придется только за сервер и, при облачном варианте, за LLM-API.

Нужна ли отдельная языковая модель?

Да. Embedding-модели встроены (разбор и поиск работают), но генерация ответов требует подключить LLM: облачный API (OpenAI/DeepSeek) или локальный Ollama.

Сколько нужно ресурсов?

Минимум 16 ГБ RAM, 4 ядра, 50 ГБ диска, и системный vm.max_map_count>=262144. В простое стек занимает ~8 ГБ RAM. Тариф - от CPU6-RAM16.

Есть русский интерфейс?

Да, UI многоязычный, русский переключается в один клик в шапке. Скриншоты в этом разборе - на русском.

Чем отличается от простого чата с LLM?

RAGFlow отвечает по вашим документам с цитатами и ссылками на источник, а не «из головы». Глубокий разбор PDF и таблиц (DeepDoc) дает более точный поиск, чем базовые RAG-обертки.

Можно ли сделать все автономным для РФ?

Да: RAGFlow плюс локальный Ollama на том же контуре - и ни документы, ни запросы не уходят в зарубежные облака. Данные остаются в РФ (152-ФЗ).

Чем отличается от Dify?

Dify - платформа LLM-приложений (боты, workflow) шире по сценариям; RAGFlow глубже именно по разбору документов и построению базы знаний.

Итог

RAGFlow - мощный open-source (Apache-2.0) движок RAG для приватной базы знаний: глубокий разбор PDF и таблиц, ответы с цитатами, русский интерфейс, около 85 тыс. звезд. Честные оговорки: это самый тяжелый продукт из наших разборов (16 ГБ RAM - минимум, Elasticsearch, образ 12 ГБ, обязательный vm.max_map_count), и для генерации ответов нужна внешняя языковая модель (облачный API или локальный Ollama). Для компании с реальным объемом документов и требованием приватности - сильный выбор, особенно в связке с локальным LLM для полностью автономного РФ-контура. Для легких сценариев и «поставил и забыл» - избыточно.

Анонсы новых разборов в Telegram-канале Новые гайды и карточки в маркетплейсе первыми @fatmetal_channel →

Замеры сняты на Fatmetal Cloud Server (CPU6-RAM16-DISK100, Ubuntu 24.04) в июле 2026, RAGFlow v0.26.4. Реальные IP, пароли и адреса серверов в публикацию не выносятся.