¿Qué es RAGFlow?
RAGFlow es una aplicación RAG completa que ejecutas tú mismo. Analiza documentos con su propio reconocimiento de maquetación y tablas (DeepDoc), crea bases de conocimiento y te permite chatear sobre ellas o crear agentes en una interfaz web.
La versión 1.0 reescribe el backend en Go para consumir menos recursos. Las release candidates salieron el 29 de septiembre y el 16 de octubre de 2026; en el momento de la comprobación aún no había una 1.0 final. La línea 0.x sigue publicándose: la v0.27.3 llegó el 23 de octubre de 2026 con una larga lista de correcciones de autorización y SSRF. Actualizar a la 1.0 ejecuta una migración de datos que no se puede revertir.
Entre las funciones recientes están Knowledge Compilation, que convierte documentos en wikis, grafos, cronologías y estructuras similares, y un modo de chat Agentic que en la rc2 sustituyó a los anteriores niveles de razonamiento de Low a Ultra.
¿Merece la pena RAGFlow?
RAGFlow es el producto RAG autoalojado con más seguidores, con unas 92.700 estrellas en GitHub, y la pregunta para quien lo adopta a finales de 2026 es la exposición, no la capacidad. GitHub recoge ocho avisos de seguridad del proyecto, cinco calificados como críticos: dos fallos de inyección de plantillas en el servidor que llevaban a ejecución remota de código en abril y mayo de 2026, un fallo zip-slip de ejecución de código en el parser MinerU en enero, una forma de saltarse la autenticación mediante tokens predecibles y una inyección SQL. En octubre, un aviso de gravedad alta mostró que el endpoint de agentes compatible con OpenAI podía saltarse la autorización de los canvas privados.
Lo que hace que la gente lo acepte es el producto. DeepDoc conserva las tablas y la maquetación de página que la extracción de texto plano aplana, los fragmentos se pueden inspeccionar y corregir en la interfaz y el constructor de agentes está en la misma aplicación, así que un equipo puede montar un asistente de conocimiento sin escribir un pipeline. El punto de partida del README es modesto: 4 núcleos de CPU, 16 GB de RAM y 50 GB de disco, con Docker 24 o posterior.
La reescritura en Go es ambiciosa y no está terminada. Según las notas de la rc1, cambia Redis por NATS, usa Kvrocks para caché y checkpoints, elimina alias de API obsoletos y el sandbox local, y ejecuta DeepDoc solo en CPU. La actualización exige estar antes en la 0.27.2 y es irreversible. La rc2 mantuvo la compatibilidad con los datos de la rc1 y añadió imágenes arm64, y la v0.27.3 una semana después muestra que la línea 0.x sigue recibiendo correcciones, aunque el proyecto no publica ninguna política de soporte para ella.
Frente a frameworks de código como LlamaIndex o Haystack, RAGFlow cambia flexibilidad por una interfaz terminada. Quien no es ingeniero puede subir archivos y revisar fragmentos, pero cambiar la lógica de recuperación más allá de los ajustes de la interfaz implica trabajar en un código que cambia rápido y tiene más de 1.300 issues y pull requests abiertos.
Dónde se gana su sitio
Un responsable de TI en una consultora de ingeniería de 150 personas
Dar a la plantilla un asistente con búsqueda sobre informes de proyecto, especificaciones y hojas de cálculo
Ejecutar el stack de Docker Compose en un servidor interno (4 núcleos, 16 GB de RAM y 50 GB de disco es el punto de partida del README), conectar un LLM alojado o local y dejar que los equipos suban documentos. El coste de licencia es nulo; conviene mantenerlo en la red interna dados los avisos de ejecución de código del proyecto.
Un ingeniero de plataforma con un despliegue de RAGFlow 0.27 en producción
Pasar al backend en Go sin perder las bases de conocimiento
Actualizar primero a la v0.27.2, hacer copia de seguridad de todo y después arrancar la 1.0; la migración se ejecuta al arrancar y no se puede revertir. Los scripts que llaman a alias obsoletos de la API HTTP dejarán de funcionar, aunque el SDK de Python no se ve afectado.
Un equipo de cumplimiento normativo en una aseguradora mediana con PDF de pólizas escaneados
Responder preguntas sobre documentos en los que las tablas llevan el significado
El reconocimiento de maquetación y tablas de DeepDoc conserva la estructura de las tablas, y los fragmentos se pueden revisar y editar en la interfaz antes de que nadie se fíe de las respuestas. En las candidatas de la 1.0 el análisis se ejecuta en CPU, así que hay que planificar en consecuencia la ingesta de un archivo histórico grande.
Antes de decidirte
- Puesta en marcha
- Clona el repositorio, cambia a una etiqueta de versión y ejecuta docker compose up -d con Docker 24.0.0+ y Compose v2.26.1+; sube vm.max_map_count a 262144 si usas Elasticsearch. La imagen Docker no admite macOS. Después añade los proveedores de LLM, embeddings y reranker en la interfaz web del puerto 80.
- Integraciones
- SDK de Python y API HTTP, un endpoint de completado de agentes compatible con OpenAI, herramientas MCP dentro de los agentes, muchos proveedores de modelos alojados y fuentes de datos como sitemaps, BigQuery, Feishu, MySQL, PostgreSQL y Zotero.
- Datos y privacidad
- Documentos, fragmentos y chats se quedan en tus propios contenedores de MySQL, MinIO y Elasticsearch o Infinity; el texto va a los proveedores de modelos que configures. El README no menciona telemetría, y el único código de telemetría del repositorio es el trazado de OpenTelemetry, que solo se ejecuta si configuras un colector. Se han publicado ocho avisos en GitHub, cinco críticos, y la v0.27.3 añadió más correcciones de aislamiento entre inquilinos y de SSRF.
- Coste a escala
- Autoalojado, el coste es el servidor más las llamadas a modelos. RAGFlow Cloud en ragflow.io es la alternativa de pago: Starter a 29 $/mes para 5 miembros y 5.000 créditos, Pro a 129 $/mes para 20 miembros y 20.000 créditos; allí no se indica qué compra un crédito. Una VM de 4 núcleos y 16 GB es el mínimo documentado; los modelos locales o los embeddings en GPU suman a eso.
- Límites
- Más de 1.300 issues y pull requests abiertos. La 1.0 elimina el sandbox local y los alias de API obsoletos y ejecuta DeepDoc solo en CPU; hasta que la 1.0 sea final, los despliegues en producción se quedan en la 0.27.x.
Lo bueno
- Análisis que entiende maquetación y tablas, con inspección de fragmentos en la interfaz
- Constructor de agentes y Knowledge Compilation en la misma aplicación
- Apache 2.0, totalmente autoalojado
- Muy activo: versiones 0.x y 1.0 en el mismo mes
Lo malo
- Cinco avisos críticos desde 2025, incluida ejecución remota de código
- La 1.0 sigue en release candidates; la migración es de un solo sentido
- La imagen Docker necesita 16 GB de RAM y no admite macOS
- Menos flexible que los frameworks centrados en código
Ideal para
Equipos que quieren un sistema autoalojado de preguntas sobre documentos y un asistente de conocimiento sin construir un pipeline.
Alternativas a RAGFlow
RAGFlow: preguntas frecuentes
- ¿Merece la pena RAGFlow?
- Un producto terminado que va del documento a la respuesta y que puedes ejecutar en un solo servidor, aunque su historial de seguridad indica que su sitio es detrás de una VPN y no en internet abierto. Le damos un 4.0 sobre 5.
- ¿Cuánto cuesta RAGFlow?
- Gratuito y de código abierto con licencia Apache 2.0. InfiniFlow también vende RAGFlow Cloud: Free (500 créditos al mes, sin API key), Starter a 29 $/mes y Pro a 129 $/mes (cada uno mostrado frente a un precio más alto de 59 $ y 259 $), y Enterprise bajo petición con BYOC y despliegue on-premises.
- ¿Qué inconvenientes tiene RAGFlow?
- Cinco avisos críticos desde 2025, incluida ejecución remota de código; la 1.0 sigue en release candidates; la migración es de un solo sentido; la imagen Docker necesita 16 GB de RAM y no admite macOS; menos flexible que los frameworks centrados en código.
- ¿Para quién es RAGFlow?
- Equipos que quieren un sistema autoalojado de preguntas sobre documentos y un asistente de conocimiento sin construir un pipeline.
- ¿Cuánto cuesta RAGFlow para un equipo o en producción?
- Autoalojado, el coste es el servidor más las llamadas a modelos. RAGFlow Cloud en ragflow.io es la alternativa de pago: Starter a 29 $/mes para 5 miembros y 5.000 créditos, Pro a 129 $/mes para 20 miembros y 20.000 créditos; allí no se indica qué compra un crédito. Una VM de 4 núcleos y 16 GB es el mínimo documentado; los modelos locales o los embeddings en GPU suman a eso.
- ¿Es RAGFlow seguro para los datos de la empresa?
- Documentos, fragmentos y chats se quedan en tus propios contenedores de MySQL, MinIO y Elasticsearch o Infinity; el texto va a los proveedores de modelos que configures. El README no menciona telemetría, y el único código de telemetría del repositorio es el trazado de OpenTelemetry, que solo se ejecuta si configuras un colector. Se han publicado ocho avisos en GitHub, cinco críticos, y la v0.27.3 añadió más correcciones de aislamiento entre inquilinos y de SSRF.
- ¿Cuáles son las mejores alternativas a RAGFlow?
- Las alternativas más cercanas que hemos analizado son LlamaIndex, Haystack y GraphRAG.
Respuestas comprobadas el 26 oct 2026.