Ein fertiges Produkt vom Dokument bis zur Antwort, das auf einem einzigen Server läuft und dessen Sicherheitsbilanz sagt, dass es hinter ein VPN gehört und nicht ins offene Internet. Wir bewerten es mit 4.0 von 5.

Kostenlos und Open Source unter der Apache-2.0-Lizenz. InfiniFlow verkauft außerdem RAGFlow Cloud: Free (500 Credits im Monat, kein API-Key), Starter für 29 $ im Monat und Pro für 129 $ im Monat (jeweils neben höheren 59 $ und 259 $ angezeigt) sowie Enterprise auf Anfrage mit BYOC und On-Premises-Deployment.

Welche Nachteile hat RAGFlow?

Fünf kritische Advisories seit 2025, darunter Remote Code Execution; 1.0 noch im Release-Candidate-Stadium; die Migration ist eine Einbahnstraße; Das Docker-Image braucht 16 GB RAM und unterstützt macOS nicht; Weniger flexibel als Code-first-Frameworks.

Was kostet RAGFlow für ein Team oder im Produktivbetrieb?

Selbst gehostet sind die Kosten der Server plus die Modellaufrufe. RAGFlow Cloud auf ragflow.io ist die kostenpflichtige Alternative: Starter für 29 $ im Monat für 5 Mitglieder und 5.000 Credits, Pro für 129 $ im Monat für 20 Mitglieder und 20.000 Credits; was ein Credit bringt, steht dort nicht. Eine VM mit 4 Kernen und 16 GB ist die dokumentierte Untergrenze; lokale Modelle oder GPU-Embeddings kommen hinzu.

Ist RAGFlow sicher für Firmendaten?

Dokumente, Chunks und Chats bleiben in deinen eigenen Containern für MySQL, MinIO und Elasticsearch oder Infinity; Text geht an die Modellanbieter, die du konfigurierst. Das README erwähnt keine Telemetrie, und der einzige Telemetrie-Code im Repo ist OpenTelemetry-Tracing, das nur läuft, wenn du einen Collector konfigurierst. Acht GitHub-Advisories wurden veröffentlicht, fünf davon kritisch, und v0.27.3 brachte weitere Fixes für Mandantentrennung und SSRF.

Was sind die besten Alternativen zu RAGFlow?

Die nächsten Alternativen, die wir getestet haben, sind LlamaIndex, Haystack und GraphRAG.

RAGFlow GitHub-Repo im Test (2026)

Was ist RAGFlow?

RAGFlow ist eine vollständige RAG-Anwendung, die du selbst betreibst. Sie parst Dokumente mit eigener Layout- und Tabellenerkennung (DeepDoc), baut Wissensdatenbanken auf und lässt dich in einer Weboberfläche darüber chatten oder Agenten bauen.

Version 1.0 schreibt das Backend in Go neu, um weniger Ressourcen zu verbrauchen. Release Candidates erschienen am 29. September und 16. Oktober 2026; eine finale 1.0 lag zum Zeitpunkt der Prüfung nicht vor. Die 0.x-Linie wird weiter ausgeliefert: v0.27.3 kam am 23. Oktober 2026 mit einer langen Liste von Fixes für Autorisierung und SSRF. Das Upgrade auf 1.0 führt eine Datenmigration aus, die sich nicht zurückrollen lässt.

Zu den neueren Funktionen gehören Knowledge Compilation, die Dokumente in Wikis, Graphen, Zeitleisten und ähnliche Strukturen verwandelt, und ein Agentic-Chatmodus, der in rc2 die früheren Denkstufen von Low bis Ultra ersetzt hat.

Lohnt sich RAGFlow?

RAGFlow ist das selbst gehostete RAG-Produkt mit der größten Anhängerschaft, mit rund 92.700 GitHub-Sternen, und die Frage für Interessierte ist Ende 2026 nicht die Leistungsfähigkeit, sondern die Angriffsfläche. GitHub listet acht Sicherheits-Advisories für das Projekt, fünf davon kritisch: zwei Server-Side-Template-Injection-Lücken mit Remote Code Execution im April und Mai 2026, ein Zip-Slip-Bug mit Codeausführung im MinerU-Parser im Januar, eine Umgehung der Authentifizierung über vorhersagbare Tokens und eine SQL-Injection. Im Oktober zeigte ein als schwerwiegend eingestuftes Advisory, dass der OpenAI-kompatible Agenten-Endpunkt die Autorisierung privater Canvases umgehen konnte.

Der Grund, warum Leute das hinnehmen, ist das Produkt. DeepDoc erhält Tabellen und Seitenlayout, die eine einfache Textextraktion plattdrückt, Chunks lassen sich in der Oberfläche prüfen und korrigieren, und der Agenten-Builder sitzt in derselben App, sodass ein Team einen Wissensassistenten aufsetzen kann, ohne eine Pipeline zu schreiben. Der Ausgangspunkt laut README ist bescheiden: 4 CPU-Kerne, 16 GB RAM und 50 GB Festplatte, mit Docker 24 oder neuer.

Die Neufassung in Go ist ehrgeizig und nicht fertig. Laut den Notizen zu rc1 ersetzt sie Redis durch NATS, nutzt Kvrocks für Cache und Checkpoints, streicht veraltete API-Aliase und die lokale Sandbox und lässt DeepDoc nur noch auf der CPU laufen. Das Upgrade setzt voraus, dass du zuerst auf 0.27.2 bist, und ist unumkehrbar. rc2 blieb mit den Daten aus rc1 kompatibel und brachte arm64-Images, und v0.27.3 eine Woche später zeigt, dass die 0.x-Linie weiter gepflegt wird, auch wenn das Projekt dafür keine Support-Richtlinie veröffentlicht.

Gegenüber Code-Frameworks wie LlamaIndex oder Haystack tauscht RAGFlow Flexibilität gegen eine fertige Oberfläche. Auch Nicht-Engineers können Dateien hochladen und Chunks prüfen, aber wer die Retrieval-Logik über die Einstellungen der Oberfläche hinaus ändern will, arbeitet in einer schnell bewegten Codebasis mit mehr als 1.300 offenen Issues und Pull Requests.

Wo es sich lohnt

Ein IT-Leiter bei einem Ingenieurbüro mit 150 Leuten
Den Mitarbeitenden einen durchsuchbaren Assistenten über Projektberichte, Spezifikationen und Tabellen geben
Betreib den Docker-Compose-Stack auf einem internen Server (4 Kerne, 16 GB RAM, 50 GB Festplatte sind der Ausgangspunkt laut README), verbinde ein gehostetes oder lokales LLM und lass die Teams Dokumente hochladen. Lizenzkosten gibt es keine; halte das System angesichts der Advisories zur Codeausführung im internen Netz.
Eine Platform-Engineerin mit einem produktiven Deployment von RAGFlow 0.27
Auf das Go-Backend wechseln, ohne Wissensdatenbanken zu verlieren
Aktualisiere zuerst auf v0.27.2, sichere alles und starte dann 1.0; die Migration läuft beim Start und lässt sich nicht zurückrollen. Skripte, die veraltete HTTP-API-Aliase aufrufen, werden brechen, das Python-SDK ist aber nicht betroffen.
Ein Compliance-Team bei einem mittelgroßen Versicherer mit gescannten Policen als PDF
Fragen zu Dokumenten beantworten, bei denen die Tabellen die Bedeutung tragen
Die Layout- und Tabellenerkennung von DeepDoc erhält die Tabellenstruktur, und Chunks lassen sich in der Oberfläche prüfen und bearbeiten, bevor sich jemand auf die Antworten verlässt. In den Kandidaten für 1.0 läuft das Parsing auf der CPU, plane die Aufnahme eines großen Altbestands also entsprechend.

Bevor du dich festlegst

Einrichtung: Klone das Repo, checke einen Release-Tag aus und führe docker compose up -d mit Docker 24.0.0+ und Compose v2.26.1+ aus; setze vm.max_map_count auf 262144, wenn du Elasticsearch nutzt. Das Docker-Image unterstützt macOS nicht. Füge danach in der Weboberfläche auf Port 80 Anbieter für LLM, Embeddings und Reranker hinzu.
Integrationen: Python-SDK und HTTP-API, ein OpenAI-kompatibler Endpunkt für Agenten-Completions, MCP-Tools in Agenten, viele gehostete Modellanbieter und Datenquellen wie Sitemaps, BigQuery, Feishu, MySQL, PostgreSQL und Zotero.
Daten und Datenschutz: Dokumente, Chunks und Chats bleiben in deinen eigenen Containern für MySQL, MinIO und Elasticsearch oder Infinity; Text geht an die Modellanbieter, die du konfigurierst. Das README erwähnt keine Telemetrie, und der einzige Telemetrie-Code im Repo ist OpenTelemetry-Tracing, das nur läuft, wenn du einen Collector konfigurierst. Acht GitHub-Advisories wurden veröffentlicht, fünf davon kritisch, und v0.27.3 brachte weitere Fixes für Mandantentrennung und SSRF.
Kosten im großen Maßstab: Selbst gehostet sind die Kosten der Server plus die Modellaufrufe. RAGFlow Cloud auf ragflow.io ist die kostenpflichtige Alternative: Starter für 29 $ im Monat für 5 Mitglieder und 5.000 Credits, Pro für 129 $ im Monat für 20 Mitglieder und 20.000 Credits; was ein Credit bringt, steht dort nicht. Eine VM mit 4 Kernen und 16 GB ist die dokumentierte Untergrenze; lokale Modelle oder GPU-Embeddings kommen hinzu.
Grenzen: Mehr als 1.300 offene Issues und Pull Requests. 1.0 entfernt die lokale Sandbox und veraltete API-Aliase und lässt DeepDoc nur auf der CPU laufen; bis 1.0 final ist, bleiben produktive Deployments auf 0.27.x.

Was gut ist

Layout- und tabellenbewusstes Parsing mit Chunk-Prüfung in der Oberfläche
Agenten-Builder und Knowledge Compilation in derselben App
Apache 2.0, vollständig selbst gehostet
Sehr aktiv: Releases für 0.x und 1.0 im selben Monat

Was nicht

Fünf kritische Advisories seit 2025, darunter Remote Code Execution
1.0 noch im Release-Candidate-Stadium; die Migration ist eine Einbahnstraße
Das Docker-Image braucht 16 GB RAM und unterstützt macOS nicht
Weniger flexibel als Code-first-Frameworks

Am besten für

Teams, die selbst gehostete Fragen und Antworten über Dokumente und einen Wissensassistenten wollen, ohne eine Pipeline zu bauen.

Alternativen zu RAGFlow

LlamaIndex

RAG & dataPython53k stars

4.3/5

Python framework for connecting LLMs to your documents, with ingestion, indexing, retrieval and event-driven agent Workflows.

Haystack

RAG & dataPython27k stars

4.2/5

deepset's open-source Python framework for production RAG pipelines and agents, built from explicit, typed components.

GraphRAG

RAG & dataPython36k stars

3.5/5

Microsoft Research pipeline that builds a knowledge graph and community summaries from documents to answer whole-dataset questions.

RAGFlow: häufige Fragen

Lohnt sich RAGFlow?: Ein fertiges Produkt vom Dokument bis zur Antwort, das auf einem einzigen Server läuft und dessen Sicherheitsbilanz sagt, dass es hinter ein VPN gehört und nicht ins offene Internet. Wir bewerten es mit 4.0 von 5.
Was kostet RAGFlow?: Kostenlos und Open Source unter der Apache-2.0-Lizenz. InfiniFlow verkauft außerdem RAGFlow Cloud: Free (500 Credits im Monat, kein API-Key), Starter für 29 $ im Monat und Pro für 129 $ im Monat (jeweils neben höheren 59 $ und 259 $ angezeigt) sowie Enterprise auf Anfrage mit BYOC und On-Premises-Deployment.
Welche Nachteile hat RAGFlow?: Fünf kritische Advisories seit 2025, darunter Remote Code Execution; 1.0 noch im Release-Candidate-Stadium; die Migration ist eine Einbahnstraße; Das Docker-Image braucht 16 GB RAM und unterstützt macOS nicht; Weniger flexibel als Code-first-Frameworks.
Für wen eignet sich RAGFlow?: Teams, die selbst gehostete Fragen und Antworten über Dokumente und einen Wissensassistenten wollen, ohne eine Pipeline zu bauen.
Was kostet RAGFlow für ein Team oder im Produktivbetrieb?: Selbst gehostet sind die Kosten der Server plus die Modellaufrufe. RAGFlow Cloud auf ragflow.io ist die kostenpflichtige Alternative: Starter für 29 $ im Monat für 5 Mitglieder und 5.000 Credits, Pro für 129 $ im Monat für 20 Mitglieder und 20.000 Credits; was ein Credit bringt, steht dort nicht. Eine VM mit 4 Kernen und 16 GB ist die dokumentierte Untergrenze; lokale Modelle oder GPU-Embeddings kommen hinzu.
Ist RAGFlow sicher für Firmendaten?: Dokumente, Chunks und Chats bleiben in deinen eigenen Containern für MySQL, MinIO und Elasticsearch oder Infinity; Text geht an die Modellanbieter, die du konfigurierst. Das README erwähnt keine Telemetrie, und der einzige Telemetrie-Code im Repo ist OpenTelemetry-Tracing, das nur läuft, wenn du einen Collector konfigurierst. Acht GitHub-Advisories wurden veröffentlicht, fünf davon kritisch, und v0.27.3 brachte weitere Fixes für Mandantentrennung und SSRF.
Was sind die besten Alternativen zu RAGFlow?: Die nächsten Alternativen, die wir getestet haben, sind LlamaIndex, Haystack und GraphRAG.

Antworten geprüft am 26. Okt. 2026.