RAGFlow

رگ‌فلو (پرسش و پاسخ از اسناد)

RAGFlow
★★★★★★★★★★۴٫۱
هوش مصنوعی آفلاینابزارهای متنپلن رایگانAPIاجرای آفلاین
راهنمای نصب و اجرا ↓مشاهده سایت ↗
رایگان و متن‌باز (Apache-2.0) برای نصب روی سرور خودتان.

سرور متن‌باز (Apache-2.0) برای ساخت سامانهٔ پرسش و پاسخ از اسناد شرکت روی سرور خودتان: PDF، Word، اسلاید، اکسل و اسکن را با تحلیل چیدمان، OCR و جدول می‌خواند و جواب را با ارجاع به منبع می‌دهد؛ با مدل‌های Ollama کاملاً بدون اینترنت کار می‌کند.

معرفی: رگ‌فلو (پرسش و پاسخ از اسناد)

RAGFlow موتوری برای بازیابی و تولید (RAG) است که روی سرور خود سازمان نصب می‌شود. اسناد را بارگذاری می‌کنید، برنامه با بخش DeepDoc چیدمان صفحه، جدول‌ها و متن اسکن‌شده (OCR) را می‌خواند و تکه‌تکه می‌کند، و بعد کارمندان از طریق رابط وب یا API سؤال می‌پرسند و جواب را با ارجاع به همان بخش سند می‌گیرند. Word، اسلاید، اکسل، PDF، تصویر و اسکن، داده‌های ساخت‌یافته و صفحه‌های وب را می‌پذیرد و جریان‌کار عامل‌ها هم دارد. سازنده‌اش InfiniFlow است و پروژه در گیت‌هاب نزدیک ۹۲ هزار ستاره دارد.

مدل زبانی، مدل بردارسازی و مدل رتبه‌بندی را خودتان انتخاب می‌کنید: می‌تواند به Ollama و موتورهای محلی دیگر وصل شود و کاملاً آفلاین کار کند، یا به API سرویس‌های ابری. این مدل‌ها را بعد از ورود، در صفحهٔ ارائه‌دهندهٔ مدل اضافه می‌کنید.

نصب با Docker Compose است (Docker 24.0.0 و Compose 2.26.1 به بعد). پیکربندی پیشنهادی شروع ۴ هستهٔ پردازنده، ۱۶ گیگابایت رم و ۵۰ گیگابایت دیسک است و خود RAGFlow کارت گرافیک نمی‌خواهد؛ اما مدل زبانی محلی سخت‌افزار جدا لازم دارد. ایمیج‌های Docker نسخهٔ 0.27.2 فقط برای x86 ساخته شده‌اند و روی ARM64 باید ایمیج را خودتان بسازید.

نسخهٔ پایدار v0.27.2 است (۱۰ سپتامبر ۲۰۲۶). v1.0.0-rc1 (۲۹ سپتامبر ۲۰۲۶) پیش‌نمایش یک بازنویسی کامل با زبان Go است که سبک‌تر است و از NATS و Kvrocks استفاده می‌کند؛ اما ارتقا از 0.27.2 به آن برگشت‌ناپذیر است و جعبهٔ شنی (sandbox) محلی در آن حذف شده. برای سرور واقعی فعلاً روی 0.27.2 بمانید.

رابط فارسی ندارد (عربی، آذری و ازبکی دارد) و کیفیت کار با اسناد فارسی به مدل بردارسازی و OCR بستگی دارد و آزموده نشده است. پیش از راه‌اندازی، رمزهای پیش‌فرض فایل docker/.env را عوض کنید.

بهترین کاربردها

  • •روی سرور شرکت از اسناد داخلی بدون اینترنت سؤال بپرسیم
  • •سامانهٔ پرسش و پاسخ از PDF و اسکن‌های سازمان را روی سرور خودمان راه بیندازم
  • •چت‌بات داخلی شرکت با ارجاع به منبع را روی سرور خودمان بسازم
  • •اسناد اسکن‌شده و جدول‌دار را روی سرور شرکت با OCR جست‌وجوپذیر کنم
  • •جایگزین آفلاین NotebookLM برای تیم روی سرور داخلی نصب کنم
  • •با مدل‌های Ollama روی سرور خودم RAG برای پشتیبانی مشتری بسازم

برای این کارها سراغش نروید

  • –چت شخصی با PDF روی لپ‌تاپ (AnythingLLM ساده‌تر است)
  • –اجرای خود مدل زبانی
  • –فقط تبدیل اسکن به متن قابل ویرایش
  • –ساخت تصویر یا ویدیو

اجرا روی سیستم خودتان

این برنامه را روی سیستم خودتان نصب می‌کنید و هوش مصنوعی روی همان دستگاه اجرا می‌شود؛ متن و فایل‌هایتان از آن بیرون نمی‌رود.

  • بعد از نصب، بدون اینترنت
  • متن‌باز
  • Apache-2.0 — استفادهٔ تجاری آزاد
  • رابط وب
  • API
  • خط فرمان

بعد از دریافت ایمیج‌های Docker و مدل‌ها، با مدل زبانی و مدل بردارسازی محلی (مثلاً از طریق Ollama) کاملاً بدون اینترنت کار می‌کند. اگر در صفحهٔ ارائه‌دهندهٔ مدل یک API ابری بگذارید، تکه‌های اسناد و سؤال‌ها برای آن سرویس فرستاده می‌شوند.

آزاد برای استفادهٔ تجاری، تغییر و توزیع. مجوز هر مدل زبانی یا بردارسازی که کنارش اجرا می‌کنید جداست.

سخت‌افزار لازم

  • حداقل رم: ۱۶ گیگابایت
  • کارت گرافیک اختیاری است
  • پیکربندی پیشنهادی شروع: ۴ هستهٔ پردازنده، ۱۶ گیگابایت رم و ۵۰ گیگابایت دیسک؛ نیاز واقعی به حجم اسناد، موتور اسناد، پردازش‌ها و تعداد کاربران هم‌زمان بستگی دارد. خود RAGFlow کارت گرافیک نمی‌خواهد (در 0.27.2 می‌شود DeepDoc را با DEVICE=gpu روی کارت برد و در 1.0 فقط CPU است). مدل زبانی محلی سخت‌افزار جدا می‌خواهد. ایمیج‌های 0.27.2 فقط x86 هستند.

نصب و اجرا

  1. ۱

    Docker و تنظیم حافظهٔ مجازی را آماده کنیدلینوکس

    sysctl vm.max_map_count sudo sysctl -w vm.max_map_count=262144

    Docker 24.0.0 و Compose 2.26.1 به بالا لازم است. vm.max_map_count باید دست‌کم 262144 باشد؛ برای ماندگاری بعد از راه‌اندازی دوباره، vm.max_map_count=262144 را در /etc/sysctl.conf بنویسید.

  2. ۲

    کد را بگیرید و نسخهٔ پایدار را انتخاب کنید

    git clone https://github.com/infiniflow/ragflow.git cd ragflow/docker git checkout v0.27.2

    v0.27.2 نسخهٔ پایدار است. شاخهٔ اصلی و v1.0.0-rc1 پیش‌نمایش‌اند و ارتقا به آن‌ها برگشت‌ناپذیر است.

  3. ۳

    رمزهای پیش‌فرض را عوض کنید

    در فایل docker/.env رمزهایی مثل ELASTIC_PASSWORD و MYSQL_PASSWORD مقدار پیش‌فرض دارند (مثلاً infini_rag_flow). پیش از هر نصبی غیر از آزمایش روی سیستم خودتان همه را عوض کنید. پورت وب (۸۰) را در docker-compose.yml تغییر می‌دهید.

  4. ۴

    سرور را بالا بیاورید

    docker compose -f docker-compose.yml up -d docker logs -f docker-ragflow-cpu-1

    اجرای اول ایمیج‌ها را دانلود می‌کند. وقتی در لاگ Running on all addresses را دیدید، آماده است. برای بردن DeepDoc روی کارت گرافیک، پیش از اجرا خط DEVICE=gpu را به اول فایل .env اضافه کنید.

  5. ۵

    مدل‌های محلی را با Ollama آماده کنید

    ollama pull qwen3.5:9b ollama pull bge-m3

    یک مدل زبانی و یک مدل بردارسازی چندزبانه بگیرید. Ollama می‌تواند روی همین سرور یا سرور دیگری باشد؛ در RAGFlow نشانی سرویس آن را وارد می‌کنید.

  6. ۶

    وارد شوید و مدل‌ها را اضافه کنید

    در مرورگر نشانی IP سرور را بدون شماره پورت باز کنید (http://IP_OF_YOUR_MACHINE) و وارد شوید. در صفحهٔ ارائه‌دهندهٔ مدل، Ollama را با نام مدل و نشانی سرویس اضافه کنید؛ بعد یک پایگاه دانش بسازید و اسناد را بارگذاری کنید.

دانلود

نکات امنیتی

  • رابط وب به‌طور پیش‌فرض روی پورت ۸۰ و روی همهٔ کارت‌های شبکه باز است؛ سرور را پشت فایروال یا پراکسی معکوس با HTTPS بگذارید و مستقیم روی اینترنت باز نکنید.
  • فایل docker/.env رمزهای پیش‌فرض دارد (مثل ELASTIC_PASSWORD=infini_rag_flow) و خود فایل هشدار می‌دهد که پیش از هر استقرار غیرمحلی باید عوض شوند.
  • ارتقا از 0.27.2 به v1.0.0-rc1 برگشت‌ناپذیر است و جعبهٔ شنی محلی در آن حذف شده؛ پیش از آزمایش از داده‌ها نسخهٔ پشتیبان بگیرید یا روی سرور جدا امتحان کنید.
  • اگر برای مدل‌ها API ابری بگذارید، تکه‌های اسناد و سؤال‌ها به آن سرویس فرستاده می‌شوند؛ برای اسناد محرمانه فقط مدل محلی بگذارید.

برای شرکت‌ها و سازمان‌ها

برای سازمان ساخته شده: یک سرور با Docker، رابط وب برای کارمندان و API برای اتصال به سامانه‌های داخلی. با مدل زبانی و بردارسازی محلی (مثلاً Ollama روی سرور جدا)، اسناد از شبکهٔ سازمان بیرون نمی‌روند. جایگزین‌های ساده‌تر AnythingLLM و Open WebUI هستند و برای ساخت جریان‌کار و چت‌بات، Dify.

مدل‌هایی که با این برنامه اجرا می‌شوند

هم‌سطح ابری

آخرین بررسی: ۱۲ مهر ۱۴۰۵

تصاویر محیط ابزار

صفحهٔ اصلی رگ‌فلو (پرسش و پاسخ از اسناد)

صفحهٔ اصلی رگ‌فلو (پرسش و پاسخ از اسناد)

قابلیت‌ها و محیط کار

قابلیت‌ها و محیط کار

نقاط قوت

  • ✓خواندن عمیق اسناد: چیدمان صفحه، جدول و OCR برای PDF، اسکن، Word، اسلاید و اکسل
  • ✓جواب با ارجاع قابل‌ردیابی به منبع و نمایش تکه‌های سند برای اصلاح دستی
  • ✓با مدل‌های محلی (مثل Ollama) کاملاً آفلاین روی سرور سازمان
  • ✓رابط وب، API HTTP، کیت Python و خط فرمان برای اتصال به سامانه‌های دیگر
  • ✓عامل‌ها و جریان‌کار آماده
  • ✓Apache-2.0، آزاد برای کار تجاری، با بیش از ۹۱ هزار ستاره در گیت‌هاب

نقاط ضعف

  • ✗سرور است، نه برنامهٔ دسکتاپ: Docker، دست‌کم ۴ هسته، ۱۶ گیگابایت رم و ۵۰ گیگابایت دیسک، به‌علاوهٔ سخت‌افزار جدا برای مدل زبانی محلی؛ ایمیج‌های 0.27.2 فقط x86 هستند
  • ✗رابط فارسی ندارد و کیفیت اسناد فارسی آزموده نشده است
  • ✗رمزهای پیش‌فرض و باز بودن پورت ۸۰ روی همهٔ شبکه‌ها پیش از هر نصب غیرمحلی باید تنظیم شود
  • ✗نسخهٔ 1.0 هنوز پیش‌نمایش است و ارتقا به آن برگشت‌ناپذیر است
  • ✗برای یک نفر روی لپ‌تاپ سنگین است؛ AnythingLLM ساده‌تر است

قیمت‌گذاری

خودمیزبان (رایگان)

Self-hosted

رایگان

  • • همهٔ امکانات روی سرور خودتان
  • • رابط وب، API و کیت Python
  • • متن‌باز (Apache-2.0)

قیمت‌ها تقریبی و بر اساس آخرین بازبینی است؛ برای قیمت دقیق به سایت رسمی مراجعه کنید.

پرسش‌های پرتکرار

چه سروری لازم دارد؟

پیکربندی پیشنهادی شروع ۴ هستهٔ پردازنده، ۱۶ گیگابایت رم و ۵۰ گیگابایت دیسک است، با Docker 24.0.0 و Compose 2.26.1 به بعد. خود RAGFlow کارت گرافیک نمی‌خواهد (در 0.27.2 می‌شود DeepDoc را با DEVICE=gpu روی کارت برد). مدل زبانی محلی سخت‌افزار جدا می‌خواهد. ایمیج‌های 0.27.2 فقط x86 هستند.

چطور نصبش کنم؟

مخزن را با git clone بگیرید، در پوشهٔ ragflow/docker با git checkout v0.27.2 نسخهٔ پایدار را انتخاب کنید، رمزهای docker/.env را عوض کنید و docker compose -f docker-compose.yml up -d را اجرا کنید. بعد نشانی IP سرور را بدون شماره پورت در مرورگر باز کنید، وارد شوید و در صفحهٔ ارائه‌دهندهٔ مدل، Ollama را اضافه کنید.

کاملاً بدون اینترنت کار می‌کند؟

بله، بعد از دریافت ایمیج‌های Docker و مدل‌ها، اگر مدل زبانی و مدل بردارسازی را از Ollama یا موتور محلی دیگری بدهید. اگر API ابری بگذارید، تکه‌های اسناد و سؤال‌ها برای آن سرویس فرستاده می‌شوند.

اسناد فارسی را می‌فهمد؟

آزموده نشده است. رابط فارسی ندارد و کیفیت به مدل بردارسازی و OCR بستگی دارد. یک مدل بردارسازی چندزبانه مثل bge-m3 و یک مدل زبانی که فارسی بلد است (مثل Qwen3.5) بگذارید و پیش از استفادهٔ جدی با چند سند نمونهٔ خودتان امتحان کنید.

به نسخهٔ 1.0 ارتقا بدهم؟

فعلاً روی سرور واقعی نه. v1.0.0-rc1 پیش‌نمایش یک بازنویسی کامل با Go است، ارتقا از 0.27.2 به آن برگشت‌ناپذیر است و جعبهٔ شنی محلی در آن حذف شده. اگر می‌خواهید امتحانش کنید، روی سرور جدا یا بعد از پشتیبان‌گیری کامل.

برای کار تجاری آزاد است؟

بله، مجوز Apache-2.0 دارد و استفاده، تغییر و توزیع تجاری آزاد است. مجوز مدل‌هایی را که کنارش اجرا می‌کنید جدا بررسی کنید.

امتیاز و نظر شما

بدون نیاز به ثبت‌نام؛ نظر متنی پس از بررسی منتشر می‌شود.

نظرات کاربران

هنوز نظری ثبت نشده — اولین نفر باشید!

ابزارهای مشابه

مشاهده همه
Qwen3.5 (offline)

کوئن ۳.۵ (آفلاین)

Qwen3.5 (offline)

رایگان

خانوادهٔ مدل باز علی‌بابا که فارسی در فهرست رسمی زبان‌هایش است؛ از 0.8B برای لپ‌تاپ ضعیف تا 35B-A3B برای سیستم قوی، با فهم تصویر، حافظهٔ متنی ۲۶۲ هزار توکنی و مجوز Apache 2.0.

دستیار گفتگوتولید متننگارش فارسی
★★★★★★★★★★۴٫۳پشتیبانی فارسی ✓
Gemma 4 (offline)

جما ۴ (آفلاین)

Gemma 4 (offline)

رایگان

خانوادهٔ مدل باز گوگل که روی لپ‌تاپ یا کامپیوتر خودتان و بدون اینترنت اجرا می‌شود: چت، خلاصه‌نویسی، کدنویسی و فهم تصویر در پنج اندازه از E2B تا 31B، با مجوز آزاد Apache 2.0.

دستیار گفتگوتولید متننگارش فارسی
★★★★★★★★★★۴٫۲پشتیبانی فارسی ✓
Open WebUI

اوپن وب‌یوآی

Open WebUI

رایگان

رابطی شبیه ChatGPT که روی لپ‌تاپ یا سرور خودتان نصب می‌شود و به Ollama یا هر API سازگار با OpenAI وصل می‌شود؛ با گفت‌وگو با اسناد، مدیریت کاربران، LDAP و ورود یکپارچه (SSO).

دستیار گفتگوپرسش‌وپاسخ از اسنادجستجوی وب
★★★★★★★★★★۴٫۳پشتیبانی فارسی ✓