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.
Коротко: брать или нет
- 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
- 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
Проверено на RAGFlow v0.26.4, Ubuntu 24.04, docker compose, июль 2026. RAGFlow развивается быстро - на новых версиях детали могут отличаться.
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.
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.
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
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.
Системный параметр для Elasticsearch
sudo sysctl -w vm.max_map_count=262144и то же в/etc/sysctl.conf. Без этого ES не поднимется.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.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.
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.
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 RAGFlow | 12.3 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.
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.
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.
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
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.
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 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.
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.
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.