Qu’est-ce que RAGFlow ?
RAGFlow est une application RAG complète que vous faites tourner vous-même. Il analyse les documents avec sa propre reconnaissance de disposition et de tableaux (DeepDoc), construit des bases de connaissances, et vous laisse discuter dessus ou construire des agents dans une interface web.
La version 1.0 réécrit le backend en Go pour un usage de ressources plus bas. Des versions candidates sont sorties les 29 septembre et 16 octobre 2026 ; une 1.0 finale n'était pas sortie au moment de la vérification. La ligne 0.x livre encore : v0.27.3 est arrivée le 23 octobre 2026 avec une longue liste de correctifs d'autorisation et de SSRF. La mise à niveau vers la 1.0 lance une migration de données qui ne peut pas être annulée.
Les fonctions récentes incluent Knowledge Compilation, qui transforme les documents en wikis, graphes, chronologies et structures similaires, et un mode de chat Agentic qui en rc2 a remplacé les anciens niveaux de réflexion Low à Ultra.
RAGFlow vaut-il le coup ?
RAGFlow est le produit RAG auto-hébergé avec le plus large public, à environ 92 700 étoiles GitHub, et la question pour les adoptants fin 2026 est l'exposition plutôt que la capacité. GitHub liste huit avis de sécurité pour le projet, cinq notés critiques : deux failles d'injection de template côté serveur menant à l'exécution de code à distance en avril et mai 2026, un bug zip-slip d'exécution de code dans le parseur MinerU en janvier, un contournement d'authentification par jeton prévisible et une injection SQL. En octobre, un avis de forte sévérité a montré que l'endpoint d'agent compatible OpenAI pouvait contourner l'autorisation de canevas privé.
La raison pour laquelle les gens acceptent cela est le produit. DeepDoc garde les tableaux et la disposition de page que l'extraction de texte simple aplatit, les morceaux peuvent être inspectés et corrigés dans l'interface, et le constructeur d'agents se trouve dans la même appli, si bien qu'une équipe peut monter un assistant de connaissances sans écrire de pipeline. Le point de départ du README est modeste : 4 cœurs CPU, 16 Go de RAM et 50 Go de disque, avec Docker 24 ou plus récent.
La réécriture Go est ambitieuse et pas finie. Selon les notes de rc1, elle remplace Redis par NATS, utilise Kvrocks pour le cache et les points de contrôle, abandonne les alias d'API dépréciés et le bac à sable local, et fait tourner DeepDoc sur CPU uniquement. La mise à niveau exige d'être sur 0.27.2 d'abord et est irréversible. rc2 a gardé la compatibilité avec les données de rc1 et ajouté des images arm64, et v0.27.3 une semaine plus tard montre que la ligne 0.x est encore corrigée, même si le projet ne publie aucune politique de support pour elle.
Face aux frameworks de code comme LlamaIndex ou Haystack, RAGFlow échange la flexibilité contre une interface finie. Les non-ingénieurs peuvent téléverser des fichiers et vérifier les morceaux, mais changer la logique de récupération au-delà des réglages de l'interface signifie travailler dans une base de code à évolution rapide avec plus de 1 300 issues et pull requests ouvertes.
Là où il fait la différence
Un responsable informatique dans un cabinet de conseil en ingénierie de 150 personnes
Donner au personnel un assistant recherchable sur les rapports de projet, specs et feuilles de calcul
Faites tourner la pile Docker Compose sur un serveur interne (4 cœurs, 16 Go de RAM, 50 Go de disque est le point de départ du README), connectez un LLM hébergé ou local, et laissez les équipes téléverser des documents. Le coût de licence est nul ; gardez-le sur le réseau interne vu les avis d'exécution de code du projet.
Un ingénieur plateforme avec un déploiement RAGFlow 0.27 en production
Passer au backend Go sans perdre les bases de connaissances
Mettez à niveau vers v0.27.2 d'abord, sauvegardez tout, puis démarrez la 1.0 ; la migration tourne au démarrage et ne peut pas être annulée. Les scripts qui appellent les alias d'API HTTP dépréciés casseront, même si le SDK Python n'est pas affecté.
Une équipe de conformité dans un assureur de taille moyenne avec des PDF de police scannés
Répondre à des questions sur des documents où les tableaux portent le sens
La reconnaissance de disposition et de tableaux de DeepDoc garde la structure des tableaux, et les morceaux peuvent être vérifiés et édités dans l'interface avant que quiconque ne se fie aux réponses. L'analyse tourne sur CPU dans les candidates 1.0, alors planifiez l'ingestion d'un grand arriéré en conséquence.
Avant de vous engager
- Mise en route
- Clonez le dépôt, faites un checkout d'un tag de version et lancez docker compose up -d avec Docker 24.0.0+ et Compose v2.26.1+ ; relevez vm.max_map_count à 262144 si vous utilisez Elasticsearch. L'image Docker ne prend pas en charge macOS. Puis ajoutez les fournisseurs de LLM, d'embedding et de reranker dans l'interface web sur le port 80.
- Intégrations
- SDK Python et API HTTP, un endpoint de complétion d'agent compatible OpenAI, des outils MCP dans les agents, de nombreux fournisseurs de modèles hébergés, et des sources de données dont sitemaps, BigQuery, Feishu, MySQL, PostgreSQL et Zotero.
- Données et confidentialité
- Les documents, morceaux et chats restent dans vos propres conteneurs MySQL, MinIO et Elasticsearch ou Infinity ; le texte va aux fournisseurs de modèles que vous configurez. Le README ne mentionne pas de télémétrie, et le seul code de télémétrie dans le dépôt est le traçage OpenTelemetry qui ne tourne que si vous configurez un collecteur. Huit avis GitHub, cinq critiques, ont été publiés, et v0.27.3 a ajouté d'autres correctifs de cadrage de tenant et de SSRF.
- Coût à grande échelle
- Auto-hébergé, le coût est le serveur plus les appels de modèle. RAGFlow Cloud sur ragflow.io est l'alternative payante : Starter 29 $/mois pour 5 membres et 5 000 crédits, Pro 129 $/mois pour 20 membres et 20 000 crédits ; ce qu'un crédit achète n'y est pas indiqué. Une VM à 4 cœurs et 16 Go est le plancher documenté ; les modèles locaux ou embeddings GPU s'y ajoutent.
- Limites
- Plus de 1 300 issues et pull requests ouvertes. La 1.0 retire le bac à sable local et les alias d'API dépréciés et fait tourner DeepDoc sur CPU uniquement ; jusqu'à ce que la 1.0 soit finale, les déploiements de production se trouvent sur 0.27.x.
Les points forts
- Analyse consciente de la disposition et des tableaux avec inspection des morceaux dans l'interface
- Constructeur d'agents et Knowledge Compilation dans la même appli
- Apache 2.0, entièrement auto-hébergé
- Très actif : versions 0.x et 1.0 le même mois
Les points faibles
- Cinq avis critiques depuis 2025, dont l'exécution de code à distance
- La 1.0 encore en versions candidates ; la migration est à sens unique
- L'image Docker a besoin de 16 Go de RAM et ne prend pas en charge macOS
- Moins flexible que les frameworks code-first
Idéal pour
Les équipes qui veulent un Q&R de documents et un assistant de connaissances auto-hébergés sans construire de pipeline.
Alternatives à RAGFlow
RAGFlow : questions fréquentes
- RAGFlow vaut-il le coup ?
- Un produit document-vers-réponse fini que vous pouvez faire tourner sur un seul serveur, dont le bilan de sécurité dit qu'il a sa place derrière un VPN plutôt que sur l'internet ouvert. Nous lui donnons 4.0 sur 5.
- Combien coûte RAGFlow ?
- Gratuit et open source sous la licence Apache 2.0. InfiniFlow vend aussi RAGFlow Cloud : Free (500 crédits par mois, pas de clé d'API), Starter 29 $/mois et Pro 129 $/mois (chacun affiché contre un 59 $ et 259 $ plus élevés), et Enterprise sur demande avec déploiement BYOC et sur site.
- Quels sont les inconvénients de RAGFlow ?
- Cinq avis critiques depuis 2025, dont l'exécution de code à distance; la 1.0 encore en versions candidates ; la migration est à sens unique; l'image Docker a besoin de 16 Go de RAM et ne prend pas en charge macOS; moins flexible que les frameworks code-first.
- À qui s’adresse RAGFlow ?
- Les équipes qui veulent un Q&R de documents et un assistant de connaissances auto-hébergés sans construire de pipeline.
- Combien coûte RAGFlow pour une équipe ou en production ?
- Auto-hébergé, le coût est le serveur plus les appels de modèle. RAGFlow Cloud sur ragflow.io est l'alternative payante : Starter 29 $/mois pour 5 membres et 5 000 crédits, Pro 129 $/mois pour 20 membres et 20 000 crédits ; ce qu'un crédit achète n'y est pas indiqué. Une VM à 4 cœurs et 16 Go est le plancher documenté ; les modèles locaux ou embeddings GPU s'y ajoutent.
- RAGFlow est-il sûr pour les données de l’entreprise ?
- Les documents, morceaux et chats restent dans vos propres conteneurs MySQL, MinIO et Elasticsearch ou Infinity ; le texte va aux fournisseurs de modèles que vous configurez. Le README ne mentionne pas de télémétrie, et le seul code de télémétrie dans le dépôt est le traçage OpenTelemetry qui ne tourne que si vous configurez un collecteur. Huit avis GitHub, cinq critiques, ont été publiés, et v0.27.3 a ajouté d'autres correctifs de cadrage de tenant et de SSRF.
- Quelles sont les meilleures alternatives à RAGFlow ?
- Les alternatives les plus proches que nous avons testées sont LlamaIndex, Haystack et GraphRAG.
Réponses vérifiées le 26 oct. 2026.